TECNOLOGICO NACIONAL DE

MÉXICO
“CAMPUS MINATITLAN”

FACULTAD DE ELECTROMECANICA

“PROBABILIDAD”

INVESTIGACIÓN
Que para obtener el porcentaje de:
PROBABILIDAD Y ESTADISTICA

Presenta:
MARTÍNEZ HERRERA, CHRISTIAN EMMANUEL

Profesor:
ERASTO LARA CRUZ

Minatitlán, Veracruz Septiembre, 2022

1|Página
INDICE

OBJETIVO ......................................................................................................................... 3

INTRODUCCIÓN .............................................................................................................. 4

2. PROBABILIDAD ....................................................................................................... 5

2.1 PROBABILIDAD DE EVENTO ......................................................................... 8

2.2 ESPACIO MUESTRAL ..................................................................................... 13

2.3 OCURRENCIA DE EVENTOS ......................................................................... 17

2.4 PERMUTACIONES Y CONBINACIONES ..................................................... 21

2.5 DIAGRAMA DE ÁRBOL .................................................................................. 24

2.6 AXIOMAS DE PROBABILIDAD ..................................................................... 27

2.7 INDEPENDENCIA Y PROBABILIDAD CONDICIONAL ............................. 30

2.8 TEOREMA DE BAYES ..................................................................................... 34

CONCLUSIÓN ................................................................................................................. 38

BIBLIOGRAFIAS ............................................................................................................ 39

2|Página
 OBJETIVO

El trabajo que presento espera, en primer lugar, servir de guía a los estudiantes que

inician sus estudios en el amplio campo de la probabilidad y en segundo lugar, despertar un gran

interés en los estudiantes por profundizar en los diferentes tópicos expuestos, gracias al

aprovechamiento de los conocimientos previos en matemáticas, a saber, teoría de conjuntos,

cálculo diferencial, cálculo integral y de varias variables, que son los conocimientos básicos para

enfrentarse al estudio de la estadística.

En este texto presento algunos temas de las probabilidades más no todos, pero sí a modo

introductorio, hacemos una exposición de los conceptos básicos, que consideramos son

importantes de la probabilidad y que pueden servir en cursos aplicados.

Así entonces, el propósito fundamental de estas notas es ofrecer una herramienta de

trabajo a los estudiantes de ingeniería para contribuir a un mejor aprendizaje de la probabilidad,

proporcionando explicaciones útiles que al analizar les ayuden a comprender mejor los conceptos

y de esta manera, que puedan aplicarlos después.

3|Página
 INTRODUCCIÓN

La teoría de la probabilidad es la parte de las matemáticas que se encarga del estudio de

los fenómenos o experimentos aleatorios. Por experimento aleatorio entenderemos todo aquel

experimento que cuando se le repite bajo las mismas condiciones iniciales, el resultado que se

obtiene no siempre es el mismo.

El ejemplo más sencillo y cotidiano de un experimento aleatorio es el de lanzar una

moneda o un dado, y aunque estos experimentos pueden parecer muy sencillos, algunas personas

los utilizan para tomar decisiones en sus vidas.

En principio no sabemos cuál sería el resultado del experimento aleatorio, así que por lo

menos conviene agrupar en un conjunto a todos los resultados posibles. El espacio muestral (o

espacio muestra) de un experimento aleatorio es el conjunto de todos los posibles resultados del

experimento, y se le denota generalmente por la letra griega Ω (omega).

En algunos textos se usa también la letra S para denotar al espacio muestral. Esta letra

proviene del término sampling space de la lengua inglesa equivalente a espacio muestral.

Llamaremos evento a cualquier subconjunto del espacio muestral y denotaremos a los eventos

por las primeras letras del alfabeto en mayúsculas: A, B, C, etc.

4|Página
 2. PROBABILIDAD

El término probabilidad proviene de lo probable, o sea, de aquello que es más posible que

ocurra, y se entiende como el mayor o menor grado de posibilidad de que un evento aleatorio

ocurra, expresado en una cifra entre 1 (posibilidad total) y 0 (imposibilidad absoluta), o bien

en porcentajes entre el 100% o el 0%, respectivamente. Para obtener la probabilidad de un

suceso, generalmente se determina la frecuencia con la que ocurre (en experimentos aleatorios

bajo condiciones estables), y se procede a realizar cálculos teóricos.

Para ello se sigue lo establecido por la Teoría de la probabilidad, una rama de

las matemáticas dedicada al estudio de la probabilidad. Esta disciplina es largamente empleada

por otras ciencias naturales y sociales como disciplina auxiliar, ya que les permite manejar

escenarios posibles en base a generalizaciones.

El origen de la probabilidad reside en la necesidad del ser humano de anticiparse a los

hechos, y de predecir en cierta medida el futuro. Así, en su empeño por percibir patrones y

conexiones en la realidad, se enfrentó constantemente al azar, o sea, a lo que carece de orden.

Las primeras consideraciones formales sobre esta materia provienen del siglo XVII,

específicamente de la correspondencia entre Pierre de Fermat y Blaise Pascal en 1654, o de los

estudios de Christiaan Huygens en 1657 y de la Kybeia de Juan Caramuel en 1649, texto hoy en

día perdido.

Tipos de probabilidad

Existen los siguientes tipos de probabilidad:

5|Página
 Frecuencial. Aquella que determina la cantidad de veces que un fenómeno puede ocurrir,

considerando un número determinado de oportunidades, a través de la experimentación.

Matemática. Pertenece al ámbito de la aritmética, y aspira al cálculo en cifras de la

probabilidad de que determinados eventos aleatorios tengan lugar, a partir de la lógica formal y

no de su experimentación.

Binomial. Aquella en la que se estudia el éxito o fracaso de un evento, o cualquier otro

tipo de escenario probable que tenga dos posibles resultados únicamente.

Objetiva. Se denomina así a toda probabilidad en la que conocemos de antemano la

frecuencia de un evento, y simplemente se dan a conocer los casos probables de que ocurra dicho

evento.

Subjetiva. Contrapuesta a la matemática, se sustenta en ciertas eventualidades que

permiten inferir la probabilidad de un evento, aunque alejada de una probabilidad certera o

calculable. De allí su subjetividad.

Hipergeométrica. Aquella que se obtiene gracias a técnicas de muestreo, creando grupos

de eventos según su aparición.

Lógica. La que posee como rasgo característico que establece la posibilidad de ocurrencia

de un hecho a partir de las leyes de la lógica inductiva.

Condicionada. Aquella que se emplea para comprender la causalidad entre dos hechos

distintos, cuando puede determinarse la ocurrencia de uno tras la ocurrencia del otro.

El cálculo de las probabilidades se lleva a cabo según la fórmula siguiente:

Probabilidad = Casos favorables / casos posibles x 100 (para llevarlo a porcentaje)

6|Página
 Así, por ejemplo, podemos calcular la probabilidad de que una moneda salga cara en un

único lanzamiento, pensando que sólo puede salir una cara (1) de las dos que hay (2), esto es, 1 /

2 x 100 = 50% de probabilidad.

En cambio, si decidimos calcular cuántas veces saldrá la misma cara en dos lanzamientos

seguidos, deberemos pensar que el caso favorable (cara y cara o sello y sello) es uno entre cuatro

posibilidades de resultado (cara y cara, cara y sello, sello y cara, sello y sello). Por ende, 1 / 4 x

100 = 25% de probabilidad. Se entiende que la probabilidad no tiene una sola interpretación,

entre estas tenemos

-Percepción.

-suposición

-Pronostico

-Frecuentista o que está en función de la Historia.

En esta ocasión veremos como probabilidad como todos los elementos de una muestra

que tienen la misma posibilidad de ser seleccionados y si no existe sesgo.

Entendemos por sesgo: a una selección que no tiene preferencia.

Experimento aleatorio.

Es aquel que proporciona diferentes resultados aun y cuando se repita siempre la misma

manera.

Espacio muestral:

Es el conjunto de posibles resultados de un experimento aleatorio y se denota por la letra

7|Página
 2.1 PROBABILIDAD DE EVENTO

La probabilidad del evento es la probabilidad de que ocurra un resultado o evento

específico. Lo opuesto de un evento es un no evento. La probabilidad del evento también se

conoce como probabilidad pronosticada. La probabilidad del evento estima la probabilidad de

que ocurra un evento, como sacar un as de un mazo de cartas o producir una pieza no conforme.

La probabilidad de un evento varía de 0 (imposible) a 1 (seguro).

Cada ejecución en un experimento se denomina ensayo. Por ejemplo, si lanza una

moneda al aire 10 veces y registra el número de caras, realiza 10 ensayos del experimento. Si los

ensayos son independientes e igual de probables, usted puede estimar la probabilidad del evento

dividiendo el número de eventos entre el número total de ensayos. Por ejemplo, si obtiene 6 caras

en 10 lanzamientos de moneda, la probabilidad estimada del evento (obtener caras) es:

Número de eventos ÷ Número de ensayos = 6 ÷ 10 = 0.6

Una probabilidad de evento acumulada estima la probabilidad de que ocurra un conjunto

de eventos (por ejemplo, la probabilidad de obtener 4 o menos al lanzar un dado, lo cual

representa la suma de la probabilidad de obtener 1, 2, 3 y 4).

Calcular las probabilidades del evento para la regresión logística binaria

En la regresión logística binaria, una variable de respuesta solo tiene dos valores posibles,

como la presencia o ausencia de una enfermedad específica. Usted puede ingresar datos de

respuesta binaria en Minitab indicando columnas para el número de eventos y el número de

ensayos. La probabilidad del evento es la probabilidad de que la respuesta para un patrón

específico de factores o covariables sea 1 o un evento (por ejemplo, la probabilidad de que una

mujer mayor de 50 años desarrolle diabetes de tipo 2).

8|Página
 Calcular valores que existen en los datos de muestra

Elija Estadísticas > Regresión > Regresión logística binaria > Ajustar modelo logístico

binario.

En Respuesta, ingrese la respuesta. En Predictores continuos, ingrese los términos.

En Predictores categóricos, ingrese los factores.

Haga clic en Almacenamiento y marque Ajustes (probabilidades del evento). Haga clic

en Aceptar en cada cuadro de diálogo.

Calcular valores para nuevas observaciones

Elija Estadísticas > Regresión > Regresión logística binaria > Ajustar modelo logístico

binario.

En Respuesta, ingrese la respuesta. En Predictores continuos, ingrese los términos.

En Predictores categóricos, ingrese los factores. Haga clic en Aceptar.

Elija Estadísticas > Regresión > Regresión logística binaria > Predecir.

Ingrese valores individuales o una columna en la que estén almacenados los valores, para

cada predictor incluido en el modelo.

Haga clic en Aceptar.

Calcular las probabilidades del evento para regresión logística ordinal y nominal

En la regresión logística ordinal y nominal, una variable de respuesta puede tener tres o

más categorías. La probabilidad del evento es la probabilidad de que un patrón específico de

factores o covariables tenga una categoría específica de respuesta. La probabilidad acumulada de

9|Página
eventos es la probabilidad de que la respuesta para un patrón específico de factores o covariables

esté en la categoría k o inferior, para cada k posible, donde k es igual a las categorías de

respuesta, 1…k.

Calcular valores que existen en los datos de muestra

Elija Estadísticas > Regresión > Regresión logística

ordinal o Estadísticas > Regresión > Regresión logística nominal. Los siguientes pasos son

iguales para ambos análisis.

En Respuesta, ingrese la respuesta. En Modelo, ingrese los predictores. En Predictores

categóricos (opcional), ingrese los factores.

Haga clic en Almacenamiento.

En Ingrese el número de eventos, ingrese el número de valores distintos de la variable de

respuesta. A continuación, marque Probabilidades del evento.

Haga clic en Aceptar en cada cuadro de diálogo.

Minitab almacena las probabilidades del evento en las siguientes columnas disponibles en

la hoja de trabajo. El nombre predeterminado de las columnas comienza con EPROB, seguido de

un número.

Calcular valores para nuevas observaciones

Elija Estadísticas > Regresión > Regresión logística

ordinal o Estadísticas > Regresión > Regresión logística nominal. Los siguientes pasos son

iguales para ambos análisis.

10 | P á g i n a
 En Respuesta, ingrese la respuesta. En Modelo, ingrese los predictores. En Predictores

categóricos (opcional), ingrese los factores.

Haga clic en Almacenamiento y marque Coeficientes. Haga clic en Aceptar en cada

cuadro de diálogo.

En la hoja de trabajo, escriba los valores para los cuales desea calcular las probabilidades

del evento en las columnas correspondientes de predictores directamente debajo de los datos

existentes. Debe escribir un valor en la columna de respuesta para cada fila adicional de datos

que ingrese, pero el valor de la respuesta no afectará los resultados.

Elija Estadísticas > Regresión > Regresión logística

ordinal o Estadísticas > Regresión > Regresión logística nominal.

Haga clic en Opciones.

Elija Estimaciones para modelo de validación e ingrese COEF1. Haga clic en Aceptar.

Haga clic en Almacenamiento.

En Ingrese el número de eventos, ingrese el número de valores distintos de la variable de

respuesta.

Marque Probabilidades del evento. Desmarque Coeficientes. Haga clic en Aceptar en

cada cuadro de diálogo.

Minitab almacena las probabilidades del evento en las siguientes columnas disponibles en

la hoja de trabajo. El nombre predeterminado de las columnas comienza con EPROB, seguido de

un número.

11 | P á g i n a
 Un evento es un subconjunto de un espacio muestral de un experimento aleatorio.

Por ejemplo veremos la probabilidad de un evento.

En este caso nuestro evento será lanzar un dado

La probabilidad de nuestro evento por ejemplo suponiendo que queremos saber cuál es la

probabilidad de que el resultado de nuestro evento (que es lanzar una moneda) sea un 5

por ejemplo. Como en este ejemplo la probabilidad de que salga un número es igual a la de otro

ya que no se sabe el resultado del evento...

Si el dado tiene 6 caras el espacio muestral de nuestro evento es:

y la probabilidad de nuestro evento es 1/6 o un sexto o el resultado de dividir 1 entre 6 que seria

0.1666

otro ejemplo:

ahora nuestro evento es lanzar dos dados

y nuestro espacio muestral que son los posibles resultados son:

y la probabilidad de nuestro evento que en este caso sería que la suma de las caras sea 6

entonces nuestros posibles resultados son

(2,4), (4,2), (3,3), (5,1), (1,5) =6

entonces la probabilidad de que la suma de las caras sea 6 es de 6/36 o seis treintaiseisavos.

12 | P á g i n a
 2.2 ESPACIO MUESTRAL

El espacio muestral está formado por todos los posibles resultados de un experimento

aleatorio. Es decir, se compone de todos y cada uno de los sucesos elementales.

El espacio muestral es una parte del espacio probabilístico. Como su propio nombre

indica, está formado por los elementos de la muestra. Al contrario, el espacio probabilístico

engloba todos los elementos. Incluso aunque no salgan recogidos en la muestra.

El espacio muestral se denota con la letra griega Ω (Omega). Está compuesto por todos

los sucesos elementales y/o compuestos de la muestra y, por tanto, coincide con el suceso seguro.

Es decir, aquel suceso que siempre va a ocurrir.

Un ejemplo de espacio muestral en el lanzamiento de una moneda sería:

Ω = {C, X}

Dónde C es cara y X es cruz. Esto es, los posibles resultados son cara o cruz.

Supongamos el caso de un dado con 6 caras. Enumeradas del 1 al 6 ¿Cuál sería el espacio

muestral del experimento lanzar un dado una sola vez?

Ω = {1, 2, 3, 4, 5, 6}

¿Y si el experimento consiste en lanzar el dado dos veces? Diferenciamos entre un dado

rojo y un dado verde.

Ω = {1 y 1, 1 y 2, 1 y 3, 1 y 4, 1 y 5, 1 y 6, 2 y 1, 2 y 2, 2 y 3 … 6 y 6}

Es decir, que en el dado rojo salga un 1 y que en el dado verde salga un 1, sería el primer

suceso elemental. El segundo suceso elemental consistiría en que en el dado rojo salga un 1 y en

el verde un 2. Así hasta un total de 36 sucesos elementales.

13 | P á g i n a
 Confundir espacio muestral y espacio probabilístico es algo habitual. Suele creerse que

son sinónimos. Sin embargo, no es así. El espacio probabilístico es un concepto mucho más

amplio y está formado, además de otros conceptos, por el espacio muestral.

Ejemplo:

Consideres un experimento donde se seleccionan dos componentes y se clasifican

conforme cumplen o no los requerimientos de temporización eléctrica del producto. Un resultado

de este experimento es que la primera parte sea aceptada y la segunda parte no; esto se denotara

como AN. Si se emplea esta notación, entonces puede representarse el espacio muestral del

experimento como como el conjunto

Donde la primera letra de cada par indica la clasificación de la primera parte, mientras

que la segunda señala la clasificación de la segunda parte.

La mejor representación de un espacio muestral depende de los objetivos que se

persiguen. Si solo se tiene interés en el número de artículos aceptables obtenidos en la muestra,

entonces el espacio muestral puede resumirse así: S= {2,1,0}. En esta representación, se pierden

los detalles sobre que selección es la que no cumple con los requisitos.

Cuando tenemos un experimento aleatorio donde nos piden un espacio muestral por

ejemplo si se seleccionan tres artículos para halloween de una tienda entonces tenemos {a, b, c}

y el experimento consiste en seleccionar dos artículos de ellos sin remplazo entonces nuestro

espacio muestral

14 | P á g i n a
 seria:

y nuestro espacio muestral con remplazo.

es decir, repitiendo artículos;

Otro caso muy común es cuando el espacio muestral puede dar infinitos resultados.

por ejemplo:

Un experimento en el que cada 10 minutos se verifica el volumen de llenado de las latas

de cerveza pacifico de una maquina llenadora automática, con la finalidad de determinar si las

latas cumplen o no con las especificaciones de volumen que deben contener. La evaluación

continua hasta encontrar una lata que no cumpla con lo establecido.

Si s significa el hecho de que la lata cumple y n de que no cumple entonces cada

resultado del espacio muestral se representa como una secuencia de letras formada por eses

seguidas de enes.

Y encontramos que este espacio muestral puede tener infinitas soluciones.

En algunos experimentos el resultado final depende de los resultados intermedios.

por ejemplo:

15 | P á g i n a
 Un experimento en el que se selecciona un componente electrónico y clarificarlo según

cumple o no los requerimientos de temporización del producto. Si el componente es aceptable,

entonces solo se asienta este hecho. Si no es aceptable se registra el echo y luego se clasifica o se

pone el resultado de la temporización en una de cuatro categorías las cuales se indican con el

símbolo a, b, c, d. De este modo, el conjunto de todos los resultados posibles de este experimento

puede describirse como:

Y ahora nos topamos con otra definición tomada del libro:

Un espacio muestral es directo si está formado por un conjunto finito (o infinito contable)

de resultados.

Ahora partimos de aquí para comenzar a entrar los temas más difíciles de probabilidad, si

hay algo por lo que se caracteriza la probabilidad es por ser enredosa, tratare de hacerla la más

explicativa posible...

16 | P á g i n a
 2.3 OCURRENCIA DE EVENTOS

EVENTO SEGURO

Es aquel cuya probabilidad de ocurrencia es igual a 1.

Calculemos la probabilidad de obtener un número menor que 7 al lanzar un dado.

Es seguro que obtendremos un número menor que 7 al lanzar un dado cuantas veces

queramos.

EVENTO IMPOSIBLE

Es aquel cuya probabilidad de ocurrencia es igual a 0.

Es imposible obtener un 8 al lanzar un dado, aunque repitamos el experimento infinitas

veces.

EVENTO POSIBLE O PROBABLE

Es aquel cuya probabilidad de ocurrencia se encuentra entre 0 y 1. Cuanto menos probable sea el

suceso, más cerca estará del 0 y cuanto más probable sea, más cerca estará del 1.

Calculemos la probabilidad de obtener un 3 si suponemos que lanzamos un dado 12 veces

y obtenemos los siguientes resultados: 3 veces obtuvimos un 1, 1 vez un 2, 1 vez un 3, 2 veces

un 4, 3 veces un 5 y 2 veces un 6.

Es probable que, al lanzar 12 veces un dado, obtengamos como resultado un número 3.

REPETICIÓN DE UN EXPERIMENTO

Mientras más veces repitamos un experimento, mejor será la estimación de los resultados

que obtendremos.

17 | P á g i n a
 En nuestro experimento de lanzamiento de un dado, mientras más veces lo repitamos,

veremos que la frecuencia relativa, es decir, la probabilidad de ocurrencia de obtener un 1, un 2,

un 3, un 4, un 5 o un 6 será cercana al 16,7%.

Y a continuación se proporcionan unas operaciones básicas de conjuntos en términos de

eventos:

La unión de dos eventos es el evento que está formado por todos los resultados

contenidos en cualquiera de los eventos. La unión se denota por: .

La intersección de dos eventos es el evento que está formado por los resultados

contenidos en ambos eventos. La intersección se denota por:

El complemento de un evento en un espacio muestral es el conjunto de resultados en el

espacio muestral que no están en el evento. Este componente del evento E se denota como E'

Por ejemplo:

En uno de los ejemplos anteriores vimos uno en donde el espacio muestral era negado

aprobado, aprobado negado etc. tomaremos ese ejemplo para realizar esto:

en el espacio muestral anterior:

sí

18 | P á g i n a
 entonces

Todo esto es cuestión de visualización, ahora los complementos:

Ahora veamos un ejemplo más complejo...

Las mediciones del tiempo necesario para completar una reacción de química pueden

modelarse utilizando el espacio muestral s={1,2,3......n}.

sea

Entonces:

19 | P á g i n a
 y

y por otra parte los complementos:

Todo esto no es tan complicado como parece es solo cuestión de poner atención en

nuestro espacio muestral y nuestros eventos, puede ser confuso al principio, pero con la práctica

lo haremos más rápido.

20 | P á g i n a
 2.4 PERMUTACIONES Y CONBINACIONES

Las permutaciones y las combinaciones son maneras de representar grupos de objetos al

seleccionarlos de un conjunto y formar subconjuntos. Con las permutaciones y las

combinaciones podemos organizar ciertos grupos de datos.

Las permutaciones se refieren a la acción de organizar a todos los miembros de un

conjunto en algún tipo de orden o secuencia. Esto significa que, si es que un conjunto ya está

ordenado, el proceso de reorganizar sus elementos se llama permutar.

Con las permutaciones, el orden de los elementos sí importa. Si es que nuestra contraseña

es 1234 e ingresamos los números 3241, la contraseña será incorrecta, ya que tenemos los

mismos números, pero en un orden diferente. Esto significa que 3421 es una permutación de

1234.

EJEMPLO

Las permutaciones de 1, 2, 3, 4 son:

4321, 4312, 4123, 4132, 4213, 4231, 3412, 3421, 3214, 3241, 3124, 3142, 2413, 2431,

2314, 2341, 2134, 2143, 1432, 1423, 1324, 1342, 1234, 1243.

Una permutación se relaciona a la acción de organizar los elementos de una colección de

modo que, a diferencia de las permutaciones, el orden de la selección no importa. Por ejemplo,

escoger un equipo de 3 personas de un grupo de 20 personas es una combinación.

EJEMPLO

Si es que tenemos los números 1, 2, 3, 4, 5 y tenemos que escoger 3 números, podemos

obtener los siguientes conjuntos:

21 | P á g i n a
 123, 234, 345, 124, 125, 134, 145, 135, 235, 245.

Estos son los únicos conjuntos posibles, ya que al escoger 123, obtendremos los mismos

números que 132, 213, 231, 321, 312.

Con frecuencia es útil cuantificar la posibilidad de que se presente un resultado de un

experimento aleatorio. "La posibilidad de que llueva hoy es de 30%" esto es una afirmación que

refleja una creencia sobre la posibilidad de que llueva. La posibilidad de un resultado se

cuantifica asignándoles un número del intervalo [0,1], o un porcentaje del 0 al 100%.

Esto quiere decir que entre más grande sea el número, mayor es la posibilidad del

resultado, un cero indica que el resultado no se presentara y un uno indica que el resultado es

seguro.

Aunque todo esto tiene que ver más con la lógica claro. Y cada vez que un espacio

muestral este formado por N posibles resultados igualmente probables, la probabilidad de cada

uno de ellos será 1 sobre N (1/N).

Para un espacio muestral discreto, la probabilidad de un evento E, denota como P(E), es

igual a la suma de las probabilidades de los resultados en E.

Veamos un ejemplo de esto que acabo de explicar:

Los resultados posibles de un experimento aleatorio son {a, b, c, d} con probabilidad de

0.1, 0.3, 0.5 y 0.1, respectivamente. Sean el evento A: el evento {a, b} y el evento B {b,c, d} y el

C {d}.

Entonces

P(A)=0.1 + 0.3=0.4

22 | P á g i n a
P(B)= 0.3+0.5+0.1=0.9

P(C)=o.1

asimismo

Por otra parte dado que:

Ya que

entonces:

como es e conjunto vació.

entonces:

23 | P á g i n a
 2.5 DIAGRAMA DE ÁRBOL

Un árbol de probabilidad o diagrama de árbol es una herramienta que se utiliza para

determinar si en realidad en el cálculo de muchas opciones se requiere conocer el número de

objetos que forman parte del espacio muestral, estos se pueden determinar con la construcción de

un diagrama de árbol

Es una herramienta de calidad que a través de un proceso sistemático nos permite hallar

la relación existente entre un concepto general y los elementos que lo componen.

Parte de un elemento central (tronco) que se desagrega en otras subelementos más

pequeñas (ramas de primer nivel), que a su vez también se desagregan en otros elementos; de ahí

el nombre de árbol. Así pues, en la medida en que vamos desagregando el elemento central

encontramos medios más detallados y accionables.

Es decir, que entre más conseguimos profundizar, el diagrama entrega mayor precisión

sobre los medios que deben ser empleados para alcanzar el elemento central -el tronco- por lo

que podríamos considerar los niveles superiores como productos u objetivos secundarios.

Dentro de las características de diagrama de árbol tenemos que:

Permite visualizar la relación entre una generalidad y sus detalles.

Logramos encontrar causa raíz del problema o situación que se aborda.

Logramos detectar elementos faltantes (ramas) al tener una visión en conjunto del

elemento central.

Para analizar procesos de forma detallada.

24 | P á g i n a
 Como herramienta comunicativa y visual al mostrar la relación entre conceptos de forma

gráfica.

Su elaboración se apoya en otras técnicas y herramientas como tormenta de ideas,

diagrama de afinidad y diagrama de relaciones.

Los espacios muestrales pueden describirse gráficamente en términos de un diagrama de

árbol. Un diagrama de árbol puede construirse en varios pasos o etapas, entonces cada una de las

maneras de completar el primer paso puede representarse como una rama del árbol. Cada una de

las maneras de completar el segundo paso puede representarse con el número de ramas que

comienzan donde terminan las ramas originales y así sucesivamente dependiendo de que tan

grande sea el espacio muestral.

por ejemplo:

En un sistema de comunicación digital cada mensaje se clasifica según llega o no dentro

del tiempo establecido por el diseño del sistema. Si se clasifican tres mensajes, utilice un

diagrama de árbol para denotarlo y representar los resultados. Nuestro diagrama de árbol queda

así:

25 | P á g i n a
 Entonces se dice que tenemos 8 posibles combinaciones multiplicando nuestras ramas

tenemos 2x2x2=8; entonces tenemos 8 posibles combinaciones diferentes.

Ahora veamos uno más complejo:

El fabricante de un automóvil proporciona vehículos equipados con distintas opciones

que el cliente selecciona. Cada vehículo se solicita

Con o sin transmisión automática

Con o sin aire acondicionado

Con una de tres opciones posibles en cuanto a un sistema de sonido estéreo

Con uno de cuatro colores exteriores

nuestro diagrama de árbol queda así:

Si

multiplicamos nuestras ramas

tenemos 2x2x3x4= 48

entonces tenemos 48 vehículos diferentes.

26 | P á g i n a
 2.6 AXIOMAS DE PROBABILIDAD

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

inferencia definen un sistema deductivo.

La palabra viene del griego αξιοειν (axioein) que significa "valorar", que a su vez

procede de αξιος (axios) que significa "valuable" o "digno". Entre los antiguos filósofos griegos,

un axioma era aquello que parecía ser verdadero sin ninguna necesidad de prueba.

La lógica del axioma es partir de una premisa calificada verdadera por sí misma (el

axioma) e inferir sobre estas otras proposiciones 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.

Los axiomas de la formulación moderna de la teoría de la probabilidad constituyen una

base para deducir a partir de ellas un amplio número de resultados.

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.

Los axiomas de probabilidad son proposiciones matemáticas referentes a la teoría de la

probabilidad, que no ameritan demostración.

27 | P á g i n a
 Los axiomas fueron establecidos en 1933 por el matemático ruso Andrei Kolmogorov

(1903-1987) en su obra Fundamentos de la Teoría de la Probabilidad y sentaron las bases del

estudio matemático de la probabilidad.

Al llevar a cabo un cierto experimento aleatorio ξ, el espacio muestral E es el con junto

de todos los resultados posibles del experimento, llamados también eventos. Un evento

cualquiera se denota como A y P(A) es la probabilidad de que ocurra. Entonces Kolmogorov

estableció que:

–Axioma 1 (no negatividad): la probabilidad de que ocurra cualquier suceso A siempre es

positiva o cero, P(A) ≥0. Cuando la probabilidad de un suceso es 0, se le llama suceso imposible.

–Axioma 2 (certidumbre): siempre que algún evento que pertenece a E, su probabilidad

de ocurrencia es 1, lo cual podemos expresar como P(E) = 1. Es lo que se conoce como

un suceso seguro, ya que, al realizar un experimento, con toda certeza hay un resultado.

–Axioma 3 (adición): en el caso de dos o más eventos incompatibles dos a dos, llamados

A1, A2, A3…, la probabilidad de que ocurra el suceso A1 más el A2 más el A3 y así

sucesivamente, es la suma de las probabilidades de que suceda cada uno separadamente.

Esto se expresa como: P (A1 U A2 U A3 U…) = P(A1) + P(A2) + P(A3) +…

Ahora se ha definido la probabilidad de un evento, es posible reunir las hipótesis

realizadas hasta el momento con respecto a las probabilidades en un conjunto de axiomas que

deben satisfacer las probabilidades de cualquier experimento aleatorio.

28 | P á g i n a
 Los axiomas aseguran que las probabilidades asignadas en un experimento pueden

interpretarse como frecuencias relativas, y que son consistentes con el conocimiento intuitivo de

las relaciones entre frecuencias relativas,

Bueno este concepto es difícil de entender, pero si lo analizamos con más cuidado

encontramos que:

La Probabilidad de un número que se asigna a cada miembro de una colección de eventos

de un experimento aleatorio y que satisface las siguientes propiedades.

Si S es el espacio muestral y E es cualquier evento por decir así de un experimento

aleatorio,

1) P(S)=1

2)

3)Para dos eventos E1 y E2

29 | P á g i n a
 2.7 INDEPENDENCIA Y PROBABILIDAD CONDICIONAL

El concepto de Probabilidad Condicional surge cuando se quiere obtener la probabilidad

de un evento A, y se tiene conocimiento que ya ocurrió otro evento B relacionado al primero y se

denota con P[A|B], la cual se lee como “probabilidad de A dado B”.

Una pregunta que podría hacerse el lector es sobre la necesidad de introducir este

concepto. Para obtener una respuesta a este interrogante, al menos intuitivamente, supongamos

se quiere conocer la probabilidad del evento A = “lloverá” y se sabe que se presentó el evento B

= “está nublado”. Intuitivamente se percibe que la P[A] aumentará si se sabe que ocurrió B ya

que ambos eventos están relacionados.

Antes de dar la definición de probabilidad condicional considérese los datos de la

encuesta a los 800 estudiantes y siguiendo la notación dada, se quiere calcular: P [está satisfecho

con la carrera | está satisfecho con su progreso en la misma] = P[A|B] El número de estudiantes

satisfechos con la carrera dentro de los 380 estudiantes no satisfechos con su progreso es 362,

entonces se verifica que P[A|B] = 362/380 = 0.9526

Tres cosas deben observarse en esta igualdad: a. Si no se dispone de la información sobre

B’, entonces P[A] = 712/800 = 0.89 es decir, la probabilidad de A sin el conocimiento de que

ocurrió B es menor que P[A|B]. b. El numerador (362) es el número de estudiantes que están

satisfechos con la carrera y con su progreso en la misma, es decir, pertenecen al conjunto “A y

B”. c.

El denominador (380) es el número de empleados que pertenecen al evento “B”, esto

equivale a considerar un nuevo espacio muestral donde el número de puntos se redujo de 800 a

380. d. Si se divide numerador y denominador de la igualdad por 800, es decir, el número total

30 | P á g i n a
de estudiantes, se tiene que: P[A|B] = 362 / 800 = 0.4525 = 0.9526, 380 / 800 0.4750 y entonces

se debe observar que el numerador es la P [A y B] = P [ A B] y el denominador es P[B].

Propiedad 4. La probabilidad de que ocurra un evento A dado que ocurrió el evento B (el

evento A depende del evento B), denotado P(A|B), es: p(A/B) = p (A o B) = p (A∩B)

………………… (6) p(B) p(B)

Hay que notar que esta propiedad no es conmutativa, situación que sí ocurre con la

probabilidad de unión o la intersección de eventos, por lo que no hay que confundir P(A|B) y

P(B|A).

A partir de esta última observación surge naturalmente la definición formal del concepto

de Probabilidad Condicional para dos eventos cualesquiera A y B, como: p(A\B) = p (A o B) = p

(A∩B) …………………... (6) p(B) p(B)

La comparación de los valores obtenidos de P[A|B] con P[A] en el ejemplo revela cierta

información importante: el conocimiento del progreso en la carrera afecta la predicción de la

satisfacción con la carrera elegida. Por lo tanto, desde una perspectiva estadística se puede

establecer que estos eventos están asociados de alguna manera.

Esto lleva a definir uno de los conceptos más importantes de la estadística y que es el

concepto de Independencia Estadística de la siguiente manera: Dos eventos A y B se dice que

son independientes si P[A|B] = P[A] …………………………. (7)

Es decir, que el conocimiento de la ocurrencia de B no afecta a la P[A]. Retomando los

conceptos de eventos dependientes o condicionales, se va a definir la probabilidad condicional

como sigue: Probabilidad condicionada es la probabilidad de que ocurra un evento A, sabiendo

que también sucede otro evento B.

31 | P á g i n a
 La probabilidad condicional se escribe P(A|B), y se lee «la probabilidad de A dado B. No

tiene por qué haber una relación causal o temporal entre A y B. A puede preceder en el tiempo a

B, sucederlo o pueden ocurrir simultáneamente.

A puede causar B, viceversa o pueden no tener relación causal. Las relaciones causales o

temporales son nociones que no pertenecen al ámbito de la probabilidad. Pueden desempeñar un

papel o no, dependiendo de la interpretación que se les dé a los eventos.

Ahora veremos la probabilidad condicional.

Veamos un problema en donde hay una probabilidad condicional:

En un proceso de manufactura el 10% de las partes contienen fallas visibles en la

superficie, mientras que otro el 25% con fallas en la superficie son funcionalmente defectuosas.

Sin embargo, solo el 5% de las partes sin fallas en la superficie son funcionalmente defectuosas.

La probabilidad de una parte funcionalmente defectuosa depende del conocimiento del

conocimiento que se tenga sobre la presencia o ausencia de fallas en la superficie. Si una parte

una parte tiene una falla en la superficie, entonces la probabilidad de que sea defectuosa es 0.25.

Si una parte no tiene fallas en la superficie, la probabilidad de que sea defectuosa es 0.05.

Esta notación se lee como la probabilidad condicional de A dado B, y se interpreta como

la probabilidad de que una parte sea funcionalmente defectuosa, dado que tiene una falla en la

superficie.

Ya que el 25% de las partes con fallas en la superficie son funcionalmente defectuosas, la

conclusión que puede obtenerse de este hecho es que P(A|B) =0.25. Por otra parte, debido que B'

denota el evento donde una parte no tiene fallas en la superficie y ya que el 5%de las partes sin

32 | P á g i n a
defectos en la superficie son funcionalmente defectuosas, sé que tiene que P(A|B’) =0.05. Estos

resultados aparecen de manera gráfica en la figura 2-16.

En algunos modelos, P(A|B) puede calcularse mediante la interpretación de la definición

de probabilidad condicional.

Definición de Probabilidad condicional.

La probabilidad condicional de un evento A dado un evento B, denotada por A(A|B), es:

Esta definición puede comprenderse al considerar el caso especial en que todos los

resultados de un experimento aleatorio son igualmente probables. Si existe un total de n

resultado, entonces.

por otra parte

En consecuencia,

Por consiguiente, P(A|B) puede interpretarse como la frecuencia relativa del evento A con

respecto al número de ensayos que producen un resultado en el evento B.

Solo es cuestión de interpretación y de seguir la formula.

33 | P á g i n a
 2.8 TEOREMA DE BAYES

El teorema de Bayes es utilizado para calcular la probabilidad de un suceso, teniendo

información de antemano sobre ese suceso.

Podemos calcular la probabilidad de un suceso A, sabiendo además que ese A cumple cierta

característica que condiciona su probabilidad. El teorema de Bayes entiende la probabilidad de

forma inversa al teorema de la probabilidad total. El teorema de la probabilidad total hace

inferencia sobre un suceso B, a partir de los resultados de los sucesos A. Por su parte, Bayes

calcula la probabilidad de A condicionado a B.

Fórmula del teorema de Bayes

Para calcular la probabilidad tal como la definió Bayes en este tipo de sucesos,

necesitamos una fórmula. La fórmula se define matemáticamente como:

Donde B es el suceso sobre el que tenemos información previa y A(n) son los distintos

sucesos condicionados. En la parte del numerador tenemos la probabilidad condicionada, y en la

parte de abajo la probabilidad total. En cualquier caso, aunque la fórmula parezca un poco

abstracta, es muy sencilla. Para demostrarlo, utilizaremos un ejemplo en el que en lugar de A (1),

A (2) y A (3), utilizaremos directamente A, B y C. La fórmula de Bayes, también conocida como

la regla de Bayes, es un procedimiento propuesto por el matemático inglés para determinar la

probabilidad de un suceso. En la fórmula de Bayes intervienen 3 probabilidades distintas, las

cuales son:

34 | P á g i n a
 P (Ai), que es la probabilidad que representa a priori de un suceso A.

P (Ai/B), que es la probabilidad que representa a posteriori de un suceso A. Es decir, la

información de lo sucedido en un evento B.

P (B/Ai), que es la probabilidad de un suceso B con base en la información del suceso A.

La fórmula permite calcular la probabilidad condicional P (Ai/B) de los sucesos A dado

B.

Ventajas de la aplicación del teorema de Bayes

Si se ajusta de manera correcta, las ganancias de una empresa aumentarán, ya que se

podrá determinar qué estrategias tienen más posibilidades de ser exitosas. Se puede analizar la

información de forma continua; eso sí, en el caso de que la variabilidad entre datos esté elevada,

entonces es recomendable implementar algunos métodos que permitan encontrar las mejores

soluciones.

Los estudios de decisión se ven beneficiados al aplicar el teorema de Bayes.

Es posible buscar y acumular información de todo tipo para entender y solucionar un

problema.

Debilidades del teorema

La fórmula es muy criticada, puesto que posee algunas limitaciones. Así se le critica que

solamente se puede aplicar si existen sucesos exhaustivos y disjuntos. Los especialistas en

estadística tradicional piensan que el teorema de Bayes no es del todo exacto, pues creen que las

únicas estadísticas correctas son las que están basadas en experimentos repetibles, más no en

condiciones relativas, como es el caso de las estadísticas obtenidas mediante este teorema.

35 | P á g i n a
 Aplicaciones del teorema

Este teorema busca determinar las probabilidades de que un suceso ocurra o no,

analizando algunas ocasiones un suceso anterior. Eso quiere decir que se analiza bastante

información.

El teorema de Bayes es posible aplicarlo en todo tipo de áreas estudio, como en las

inversiones financieras, puesto que se requiere analizar todo tipo de escenarios, al igual que

estudiar los hechos pasados.

En las empresas, el teorema es eficaz al analizar el proceso productivo, puesto que existe

la opción de mejorarlo y eso se realiza mediante el estudio de las probabilidades. Asimismo, la

publicidad de una empresa es posible analizarla y mejorarla a través de la aplicación del teorema.

La fórmula propuesta por Bayes no se empleó con recurrencia durante el siglo XVIII y

XIX, pues en esa época el teorema no poseía una aplicación clara. Sin embargo, conforme

transcurrieron los años, su uso se empezó a implementar en diferentes ciencias, sobre todo con

los avances tecnológicos.

Importancia del teorema

Es importante porque permite resolver problemas en los que existen una gran variedad de

probabilidades, siendo así fundamental en todas las ciencias, ya que se analizan los sucesos

pasados para determinar las probabilidades de los sucesos del futuro.

Si E1, E2, ......, Ek son eventos exhaustivos y mutuamente excluyentes, y B es cualquier

evento entonces se entiende el teorema de Bayes por la siguiente formula:

36 | P á g i n a
 ejemplo:

Debido a que un nuevo procedimiento medico ha demostrado su eficacia en la detección

temprana de cierta enfermedad, se propone realizar un examen médico preventivo a la población.

La probabilidad de que la prueba sea positiva e identifique de manera correcta a una

persona que tiene la enfermedad es de 0.99, mientras que la probabilidad de que la prueba sea

negativa e identifique correctamente a un paciente que no tiene la enfermedad, es 0.95.

La incidencia de la enfermedad en la población es de 0.0001. Alguien toma la prueba y

esta resulta positiva ¿Cuál es la probabilidad de que esa persona tenga la enfermedad?

Sean D, el evento en el que la persona tiene la enfermedad y S en que la prueba es

positiva. La probabilidad pedida es entonces P(D/S). La probabilidad de que la prueba sea

negativa y detecte de manera positiva a una persona que no tiene la enfermedad es de 0.95. En

consecuencia, la probabilidad de la prueba sea positiva sin que la persona esté enferma es de:

Las posibilidades de que la persona tenga la enfermedad es muy pequeña, incluso si la prueba es

positiva.

37 | P á g i n a
 CONCLUSIÓN

Sabemos de la importancia de incluir en los programas el concepto de aleatorio. Además,

enseñar un conjunto de teorías que den acceso a los estudiantes a los elementos básicos de

probabilidades, que le permitan tomar decisiones en su vida cotidiana y contar con una

formación mínima para que puedan desarrollarse desde esa perspectiva en cualquier campo

profesional o científico. "La probabilidad tiene la enorme cualidad de representar adecuadamente

la realidad de muchos procesos sociales y naturales, y, por lo tanto, su conocimiento permite

predecir mucho mejor el mundo en que vivimos".

El ejercicio de probabilidad propuesto es sólo un inicio del mundo de probabilidad que

nos espera. En las líneas anteriores se ha comentado de la importancia que tiene la probabilidad

en el mundo moderno, tanto para el desarrollo científico como para la cotidianeidad de cada

persona.

38 | P á g i n a
 BIBLIOGRAFIAS

¿Qué es la probabilidad de ocurrencia de un evento? (s. f.). Recuperado 15 de septiembre de

2022, de https://organosdepalencia.com/biblioteca/articulo/read/66532-que-es-la-

probabilidad-de-ocurrencia-de-un-evento

Betancourt, D. (2022, 23 febrero). Qué es un diagrama de arbol y cómo se hace. Ingenio

Empresa. Recuperado 15 de septiembre de 2022, de

https://www.ingenioempresa.com/diagrama-de-arbol/

Daney, M. E. (2021, 15 octubre). Teorema de Bayes. ConceptoABC. Recuperado 15 de

septiembre de 2022, de https://conceptoabc.com/teorema-de-bayes/

Lamas, I. J. S. R. (2022, 15 septiembre). 2.1 Definiciones de Probabilidad. Recuperado 15 de

septiembre de 2022, de http://probyestjsrl.blogspot.com/2008/10/21-definiciones-de-

probabilidad.html

López, J. F. (2021, 21 enero). Espacio muestral. Economipedia. Recuperado 15 de septiembre de

2022, de https://economipedia.com/definiciones/espacio-muestral.html

N., J. (2022, 3 junio). Permutaciones y Combinaciones – Fórmulas y Ejemplos. Neurochispas.

Recuperado 15 de septiembre de 2022, de

https://www.neurochispas.com/wiki/permutaciones-y-combinaciones-formulas/#2-

%C2%BFque-es-una-permutacion

Probabilidad - Concepto, tipos, fórmula, aplicación y ejemplos. (s. f.). Concepto. Recuperado 15

de septiembre de 2022, de https://concepto.de/probabilidad/

Westreicher, G. (2021, 22 abril). Probabilidad condicional. Economipedia. Recuperado 15 de

septiembre de 2022, de https://economipedia.com/definiciones/probabilidad-

condicional.html

39 | P á g i n a
Zapata, F. (2020, 8 marzo). Axiomas de probabilidad: tipos, explicación, ejemplos, ejercicios.

Lifeder. Recuperado 15 de septiembre de 2022, de https://www.lifeder.com/axiomas-de-

probabilidad/

40 | P á g i n a