27/07/2019
Curso: Probabilidades y Estadística
REPASO FINAL
Correlación Lineal Simple
Sesión 11: Correlación Lineal Simple
CONTENIDO
1. Gráfico de dispersión.
2. Correlación de Pearson.
LOGRO DE LA SESIÓN 
Al finalizar la sesión, el
estudiante explica la
existencia de relación
entre dos variables
cuantitativas y
determina el grado de
asociación que hay entre
las variables.
Ver el siguiente video 
SABERES PREVIOS https://www.youtube.com/watch?v=UJAqylc9_tQ
 Variable independiente y 
variable dependiente.
 Conceptos directamente  Al observar el video ¿Qué variables se
proporcional e 
encuentran relacionadas?
inversamente 
proporcional.
1
 27/07/2019

GRÁFICO DE DISPERSIÓN
¿Qué es correlación?
Consiste en graficar los datos en el plano cartesiano (X,Y) y
observar la relación de los datos si directa o inversa.
A veces nuestro interés está en conocer si dos 20 25 6
variables cuantitativas están asociadas y en

Var. Dependiente (Y)

Var. Dependiente (Y)

Var. Dependiente (Y)

15 20 5
4
qué medida los cambios de una variable 10
15

10
3
2
pueden explicar por los cambios que ocurren 5
5 1
0 0
en la otra. En este caso estamos en un estudio 0 5 10
Var. Independiente (X)
15 0 10 20
Var. Independiente (X)
30
0
0 10 20
Var. Independiente (X)
de Correlación
Correlación
Correlación No hay
Positiva
Negativa Correlación
(Directa)
(Inversa)

COEFICIENTE DE CORRELACIÓN LINEAL

EJEMPLOS
La correlación lineal se mide con el estadístico denominado
coeficiente de correlación de Pearson y su fórmula es:
k  n
n   x i  x ( y j  y)  x i yi  n x y
R  i 1 j 1
r  i1
k 
 n x 2  nx 2   n y2  ny 2 
 
2 2 2 2
n xi  x n y j  y  i   i 
i 1 j 1  i1   i1 

,
;  : 1 1

Si r < 0  Existe correlación inversa o negativa entre las variables

Si r > 0  Existe correlación directa o positiva entre las variables
r = 0  No existe relación lineal entre las variables  Variables no correlacionadas

2
 27/07/2019

Interpretación del coeficiente de correlación R de Pearson

Correlación positiva perfecta (R = 1)
El Coeficiente de Correlación R de Pearson mide la fuerza y dirección de relación entre dos
variables cuantitativas en una escala que varía entre -1 a +1. Cuanto mas se aleja del 0 el
valor del coeficiente muestra una relación mas fuerte. El signo nos indica si la relación es
10
directa o inversa. 9
8
Correlación Correlación Correlación Correlación
inversa muy inversa
Correlación
inversa
Correlación
inversa
Correlación
inversa
Correlación
directa
Correlación
directa
Correlación
directa
directa directa muy 7
fuerte fuerte fuerte fuerte
Muy alta Alta Moderada Baja Muy baja Muy baja Baja Moderada Alta Muy alta
6
Y 5
-1 -0.8 -0.6 -0.4 -0.2 0 +0.2 +0.4 +0.6 +0.8 +1 4
3
Para una mejor interpretación de r, podemos agregar que : 2
• Valores de r cercanos a 1, se traduce en una alta relación directa. 1
• Valores de r cercanos a -1, se traduce en una alta relación inversa.
0
• Valores de r cercanos a 0, se traduce en una baja relación lineal entre las variables, la
cual será directa si r > 0, y será inversa si r < 0 . 0 1 2 3 4 5 6 7 8 9 10
X

Correlación negativa perfecta (R = -1) No hay correlación (R = 0)

10 10
9 9
8 8
7 7
6 6
Y 5 Y 5
4 4
3 3
2 2
1 1
0 0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
X X

3
 27/07/2019

Correlación positiva fuerte EJEMPLO 1

10 Se ha recolectado datos a un grupo de personas, los años
9 de experiencia laboral y sus ingresos mensuales. ¿Existe
8 correlación entre las variables?
7
6 N° Años de Experiencia (X) Ingreso (Y)
Y 5 1 5 40
4 2 15 40
3 3 24 90
4 16 70
2 5 19 60
1 6 3 20
0 7 6 30
0 1 2 3 4 5 6 7 8 9 10 8 12 30
9 27 70
X 10 13 50

GRÁFICO DE DISPERSIÓN En Excel hacemos los cálculos

Variable independiente (X): Años de experiencia
Variable dependiente (Y): Ingresos mensuales
Años de
N° XY X2 Y2
100 Experiencia(X) Ingreso(Y)
90 Promedios:
1 5 40 200 25 1600
80
2 15 40 600 225 1600 n  10
70
3 24 90 2160 576 8100 x  4.4
Ingresos

60
50
4 16 70 1120 256 4900 y  64.5
40 5 19 60 1140 361 3600
30 6 3 20 60 9 400
20 7 6 30 180 36 900
10 8 12 30 360 144 900
0 9 27 70 1890 729 4900
0 5 10 15 20 25 30 10 13 50 650 169 2500
Años de experiencia Total 44 645 8360 2530 29400
∑X ∑Y ∑XY ∑ X2 ∑ Y2
En el gráfico de dispersión se observa una fuerte relación directa entre
los años de experiencia y el ingreso.

4
 27/07/2019

COEFICIENTE DE CORRELACIÓN DE PEARSON LOGRO DE LA SESIÓN 

n Al finalizar la sesión, el
 x i yi  nxy
i 1 8360  10  4.4  64.5 estudiante explica la
r   0.859
n
2 2 2
n
 x i  nx  yi  ny
2  2530  10  4.4  29400  10  64.5 
2 2
existencia de relación entre
i 1 i 1
una variable dependiente con
una variable independiente de
una muestra de datos y
Interpretación: Como r =0.859, existe una fuerte correlación determina el mejor modelo de
directa entre los años de experiencia y el ingreso. regresión que permita
predecir el efecto de una
variable sobre la otra.

Sesión 11: Regresión Lineal Simple 

CONTENIDO SABERES PREVIOS
1. Gráfico de dispersión.  Variable independiente y 
2. Modelo de regresión lineal  variable dependiente.
simple.  Función lineal
3. Bondad de ajuste del 
modelo.
4. Predicción de valores de la 
variable dependiente.
¿Con qué variable se puede relacionar el peso de una persona?
• La edad
• La talla de la persona
• El nivel de actividad física

5
 27/07/2019

DEFINICIÓN DE REGRESIÓN LINEAL SIMPLE

Consiste en analizar la relación entre dos variables

cuantitativas con el objetivo de determinar una
función Y = f(x), llamado Modelo de Regresión o
ecuación de regresión el cual se usará para predecir el
efecto de la variable X sobre la variable Y, donde:
https://www.tierra‐inca.com/meteo/histo/?id=lima

Tipos de Pronósticos X: variable independiente   
Se tienen tres tipos de pronósticos principales:
(explicativa, exógena)
Cualitativos: método Delphi, investigación de mercado, etc. Y: variable dependiente 
Series de tiempo: Media móvil simple, media móvil ponderada, suavizamiento (respuesta, endógena)
exponencial, análisis de regresiones de tiempo, etc.
Simulación: Montecarlo, etc.

GRÁFICO DE DISPERSIÓN
Ejemplos: Es la representación de pares de valores observados en el plano cartesiano,
describe la relación existente entre las variables a partir de datos
observados en la muestra o población:
Estimar el peso de una persona a partir de su estatura.
Estimar el gasto en una familia en función de sus Datos: a b

ingresos.
Xi Yi
Estimar el precio de una PC en función de la velocidad
del procesador. x1 y1
c d
Predecir la calificación de una asignatura según el x2 y2
número de horas de estudio a la semana. : :
Estimar el precio de una vivienda en función de su área. xn yn

6
 27/07/2019

EJEMPLO DE GRÁFICO DE DISPERSIÓN
200 MODELO DE REGRESIÓN LINEAL SIMPLE
¿Cuál es el mejor ajuste a 
Presión arterial (mm Hg)

180
partir de los datos? El modelo de regresión lineal simple se define:
160
140
Ecuación de regresión lineal Yi   0  1x i  e ij
120
100 Donde:
80 ŷ  ˆ 0  ˆ 1x Yi: valor de la variable dependiente para la i‐ésima observación
Xi: valor de la variable independiente para la i‐ésima observación
60
65 85 105 125 145 eij: error aleatorio para la i‐ésima observación que se asume 
Peso (kg)
normal
En el gráfico se observa que la tendencia de los datos describen βo : intercepto con el eje Y
una relación lineal directa, esto significa que ante un aumento β1 : mide el cambio de Y cuando varía X en 1 unidad, llamado 
de peso la presión arterial aumenta en la misma proporción pendiente
Los parámetros βo y β1  deben ser estimados:

Para estimar los parámetros del modelo de regresión Interpretación de los coeficientes de regresión lineal

utilizaremos el método de mínimos cuadrados: La ecuación estimada:
 y  n    x
0 1
Y= 0 + 1 X   o también  Y= a + bX
 xy    x    x
0 1
2

• El coeficiente 1 indica el cambio promedio en la variable

Obtenemos los coeficientes Bo y B1
0  y  1 x
La recta de regresión estimada será:
ŷ  ˆ 0  ˆ 1 x
respuesta (y), cuando la variable predictora (x) aumenta en
n  XY   X  Y una unidad adicional.
1 
n X 2   X • El intercepto 0 indica el valor promedio de la variable
respuesta (y), cuando la variable predictora (x) es igual a
cero. Sin embargo carece de interpretación práctica si
dicho valor está fuera del rango del conjunto de valores X.

7
 27/07/2019

EJEMPLO MODELO DE REGRESIÓN
BONDAD DE AJUSTE DEL MODELO DE REGRESIÓN
200

Presión arterial (mm Hg)
y = 1.1558x + 35.777
El mejor ajuste  de los  180
1. Coeficiente de correlación
datos es la ecuación: 160
140 Mide el grado de relación entre variables cuantitativas.
120 El estadístico de correlación es el coeficiente de correlación
yˆ  35 .77  1.156 x
100
de Pearson (R) cuyo valor está en el intervalo [‐1,1], dado
80
por la fórmula:
60
65 115 165
Peso (kg)
n  XY   X  Y
Interpretación de los coeficientes de regresión R 
n X 2
 ( X )2 n Y 2
 ( Y )2
βo = 35.77 Es la intersección de la recta con el eje Y cuando X = 0
β1 = 1.156 Por cada kilo que aumenta en su peso la presión arterial
aumenta en 1.156 mm/hg

2. Coeficiente de Determinación
Interpretación del coeficiente de correlación de Pearson:
Mide el porcentaje de variabilidad en Y que explica a través del
Correlación Correlación Correlación Correlación Correlación Correlación Correlación Correlación Correlación Correlación
negativa negativa negativa negativa negativa positiva muy positiva positiva positiva positiva muy conocimiento de la variable independiente X para evaluar
muy fuerte fuerte moderada débil muy débil débil débil moderada fuerte fuerte
Muy alta Alta Moderada Baja Muy baja Muy baja Baja Moderada Alta Muy alta
capacidad de predicción. Se calcula con la siguiente fórmula:

  ( x  x )( y  y )
2
-1 -0.8 -0.6 -0.4 -0.2 0 +0.2 +0.4 +0.6 +0.8 +1
R2   r 2 ;   0 1
 x i  nx   y i  ny 
2 2 2 2

INVERSA DIRECTA
R2 Ajuste del modelo
Para una mejor interpretación de r, podemos agregar que : 0.00 < R2 ≤ 0.20 No tiene buen ajuste
• Valores de r cercanos a 1, se traduce en una alta relación directa. 0.20 < R2 ≤ 0.40 No tiene buen ajuste
• Valores de r cercanos a -1, se traduce en una alta relación inversa. 0.40 < R2≤ 0.60 Ajuste moderado
• Valores de r cercanos a 0, se traduce en una baja relación lineal entre las variables, la 0.60 < R2≤ 0.80 Buen ajuste 
cual será directa si r > 0, y será inversa si r < 0 . 0.80 < R2≤ 1.00 Buen ajuste

8
 27/07/2019

Ejemplo 2
Una empresa tiene 7 vendedores, y se quiere analizar las ventas mensuales (en miles de soles)
frente a los años de experiencia. Los datos están en la siguiente tabla.

N° Experiencia (X) Ventas(miles)

1 13 26
2 16 33
3 30 36
4 2 16
5 8 26
6 6 19
7 31 38
a) ¿Se trata de una relación lineal? (analizar el diagrama de dispersión)
b) Si es una ecuación lineal hallar la ecuación de regresión determinando los coeficientes de
regresión.
c) ¿El modelo estimado tiene buen ajuste a los datos?
d) Predecir la venta de un empleado con 40 años de experiencia (Estimar Y para un valor X=40)

Solución: b) Hallando los coeficientes de regresión

a) Diagrama de dispersión
Experiencia Ventas(miles)
N° XY X2 Y2
(X) (Y)
N° Experiencia (X) Ventas(miles)
1 13 26 338 169 676 ∑
1 13 26 .
2 16 33 528 256 1089
2 16 33
3 30 36
3 30 36 1080 900 1296 ∑
4 2 16 4 2 16 32 4 256 .
5 8 26 5 8 26 208 64 676

6 6 19 6 6 19 114 36 361
7 31 38 7 31 38 1178 961 1444

∑X= 106 ∑Y=194 ∑XY=3478 ∑ X2=2390 ∑ Y2=5798

En el diagrama de dispersión n

se observa una existe una

 xi yi  nxy 3478  7(15.14)(27.71)
b  i 1   0.688 b0  y  b1 x  27.71  (0.688)15.14  17.29
1
relación lineal directa. 2390  7(15.14)2
n

x 2
i
 nx 2
i 1

9
 27/07/2019

b.1 Ecuación de regresión c) Bondad de ajuste del modelo de regresión

ŷ  ˆ 0  ˆ 1 x
1. Coeficiente de correlación: 0.939
Con un coeficiente de correlación de Pearson r = 0.939 nos indica que existe alta correlación
La ecuación de regresión estimada es: directa entre los años de experiencia y las ventas.

yˆ  17 . 29  0 . 668 x 2. Coeficiente de determinación: 0.939 0.883

Interpretación de los coeficientes de regresión: El 88.3% de las variaciones de las ventas (Y) son explicados por los años de experiencia. Existe
además un 100 88.3 % 11.7% no es explicado por los años de experiencia.

o = 17.29 Es el promedio de la ventas cuando un vendedor no tiene años de

experiencia (X =0) es de 1729 soles
1 = 0.668 El promedio de ventas aumenta en 668 soles por cada año de
experiencia que adquiera un vendedor (es el incremento en 0.668 de las
ventas cuando x aumenta en una unidad)
d) Predicción para X=40
yˆ  ˆ 0  ˆ1 x  17 . 29  0 . 668 ( 40 )  44 . 826
Un empleado con 40 años de experiencia en ventas, venderá aproximadamente S/.4482.6

Curso: probabilidades y Estadística
LOGRO DE LA SESIÓN 
Probabilidades Al finalizar la sesión, el 
estudiante resuelve 
ejercicios de probabilidades 
en experimentos aleatorios, 
aplicando las diferentes 
reglas y propiedades de los 
teoremas básicos 
1702 – 1761  Thomas  Bayes demostrando su 
procedimiento en el tiempo 
establecido. 

10
 27/07/2019

Sesión 12: Probabilidades

CONTENIDO SABERES PREVIOS
1. Experimento aleatorio.  Teoría de conjuntos.
2. Espacio muestral y   Técnicas de conteo.
eventos.
3. Operaciones con eventos.
4. Probabilidad de un evento.

¿Sabes como medir estas incertidumbres?

Ejemplos:

ε1 : Lanzar un dado y observar el número que aparece

en la cara superior.
Son experimentos que repetidos en las mismas
condiciones obtenemos distintos resultados. Su ε2 : Lanzar una moneda y observar la cara superior
notación es 

ε3 : Paciente post operado, observar si presenta complicaciones en 3 días

ε4 : Jugar un partido de fútbol
ε5 : Servicio de emergencia, observar número de atenciones diarias

11
 27/07/2019

En los ejemplos anteriores definimos el espacio muestral, como:

ε1 : Lanzar un dado y observar el número que aparece en la cara superior.

S1 = {1,2,3,4,5,6}
Es el conjunto formado por todo los resultados posibles
ε2 : Lanzar una moneda y observar la cara superior.
del experimento aleatorio, cada resultado se le
denomina evento elemental. Su notación  (omega) o S2 = {cara, sello}
con la letra S ε3 : Observar complicaciones en un paciente post operado.

S3 = { Si, No}
Espacio muestral finito, número determinado de  ε 4:  Observar resultados de un partido d futbol
elementos. 
S4 = {Ganar, perder, empatar}
Espacio muestral infinito , número indeterminado de 
ε5 : Observar número de atenciones diarias en emergencia
elementos.
S5 = {1, 2, 3,………}

Ejemplo 1
En una producción de bombillas eléctricas, de un lote de 100 se eligen al
azar 3 focos para un control de calidad y se anota D = defectuoso S = sin Un evento, es cualquier subconjunto del espacio muestral . A
defecto ¿Cuáles es el espacio muestral? ¿Cuántos elementos son? los sucesos generalmente se les denota por letras mayúsculas,
tales como A , B , C, etc.
Experimento es:
ε : Verificar la bombilla seleccionada Los eventos siempre se indican en forma de enunciado.

Espacio muestral es: Ocurrencia de eventos

 = { (DDD, DDS, DSD, SDD, DSS, SDS, SSD,  SSS} A : Ocurre el evento A
A’ : No ocurre el evento A
Número de elementos del espacio muestral AUB: Ocurre al menos uno de los eventos
AB: Ocurre ambos eventos A y B
n( ) = 23 = 8 A – B = A B’ : Ocurre el evento A y no ocurre el evento B

12
 27/07/2019

TIPOS DE EVENTOS:

Evento nulo .‐ Es aquel evento que nunca va a ocurrir Ejemplo 2

Ejm 2. Lanzar un dado y observar el número siete en la cara superior. Lanzar un dado y observar el número que aparece en la cara superior. Defina
los siguientes eventos:
S =  ó S = 
A: observar que el número sea par
Evento simple.‐ Evento que está conformado por un solo elemento
B: observar un número menor que 4
Ejm 3. Lanzar una moneda tres veces y observar la cara superior.
C: observar el número 6
A : obtener tres caras
A =  (cara, cara, cara)  Solución:
Evento compuesto.- Evento que está conformado por más de dos eventos
simples.
A = {2,4,6} B = {1,2,3} C = {6}
Evento seguro.‐ Conjunto que tiene todos los eventos posibles, es el
espacio muestral.

Ejemplo 3 Ejemplo 3
Lanzar dos dados y observar el número que aparece en las caras superiores
En un concurso de belleza compiten 3 finalistas (Ana, Claudia y
a) Liste los elementos del espacio muestral Rosa), los premios serán otorgados al primer y segundo puesto.
b) Liste los siguientes eventos: a) Liste los elementos del espacio muestral
A: La suma de los números es 7 b) Liste los siguientes eventos
B: El producto de los números es 24
A: Ana gana el concurso B: Ana gana el segundo lugar
Solución: a) = { (1,1) (1,2) (1,3) (1,4) (1,5) (1,6) (2,1) (2,2) (2,3) (2,4) (2,5) (2,6) (3,1) 
(3,2) (3,3) (3,4) (3,5) (3,6) (4,1) (4,2) (4,3) (4,4) (4,5) (4,6) (5,1) (5,2)  c: Claudia y rosa ganan los premios
(5,3) (5,4) (5,5) (5,6) (6,1) (6,2) (6,3) (6,4) (6,5) (6,6)}

b) A={(1,6) (2,5) (3,4) (4,3) (5,2) (6,1)}
B: el producto de los es 24
B={(4,6), (6,4)}

13
 27/07/2019

OPERACIONES CON EVENTOS
Unión de eventos.- Sean dos eventos A y B del , la unión de
Complemento de un evento.‐ Está formado por los eventos está conformado por todos los elementos de A y B.
elementos que no están en el evento A
En el ejemplo 1, al lanzar un dado se observó los eventos:
En el ejemplo 1. Lanzar un dado y observar el número de la
cara superior. A = 2, 4,6 B = 1, 2, 3

El espacio muestral: S = 1,2,3,4,5,6 La unión de eventos: AUB = 1,2,3, 4,6

El evento A: Observar que sea un número par

S
A = 2,4,6 1
4
3 
Entonces el evento complementario es: A’ = 1,3,5 6        2 

Intersección de eventos .- Sean dos eventos A y B del , la intersección

de eventos está conformado por los elementos que están en A y B TÉCNICAS CONTEO DE ELEMENTOS O PUNTOS MUESTRALES

Continuando con el ejemplo 1:

Técnicas para obtener el número de elementos del espacio muestral
A :  2, 4,6  B =  1, 2, 3 
y los eventos:

La intersección de A B es: a) Método del árbol

b) Tablas de contingencia
AB =  2 
c) Diagramas de Venn
d) Técnicas de conteo: Combinaciones, permutaciones, variaciones

14
 27/07/2019

Ejemplo 4. Se lanza una moneda tres veces y se observa su cara

superior. PRINCIPIO FUNDAMENTAL DE LA SUMA
Los ochos resultados posibles de este experimento pueden detallarse de manera,
es conveniente mediante un método del árbol:

Primera Segunda Tercera Resultados 1) Si A y B dos eventos mutuamente excluyentes 

tirada tirada tirada Posible (independientes), entonces: 
C C CCC n(AUB) = n(A) + n(B)
C S CCS
C CSC 2) Si A y B son eventos dependientes, entonces:
S
S CSS n(AUB) = n(A) + n(B) – n(A∩B)
C SCC
C
S S SCS
C SSC
S S SSS
={CCC, CCS, CSC, CSS, SCC, SCS, SSC, SSS}

Ejemplo 10
PERMUTACIONES Si A = { a, b, c, d} . Cuantas ordenaciones diferentes pueden
formarse tomando grupos de a 2 ?
Sea “n” el número de elementos de un conjunto A y “r” un
número natural donde 0 < r  n; las permutaciones se
definen como el número de ordenaciones diferentes que se
Solución:  
pueden formar con los elementos del conjunto A, n!
tomando en grupos de “n” en “n” o de “r” en “r” pueden n=4 ; r=2 como:
P(n, r) 
(n - r)!
ser sin repetición o con repetición.
4!
P(4,2)   4 x 3  12
2!
n!
P(n, r) 
(n - r)!

15
 27/07/2019

COMBINACIONES 

Ejemplo 11: La probabilidad es una medida de la

De un grupo de 10 libros ¿Cuántas selecciones de 4 libros se pueden incertidumbre asociado a un suceso A en
hacer? el espacio muestral, definido como una
razón entre 0 y 1. se denota por P(A).
Solución:
n = 10  ;  r = 4 n!
C(n, r) 
r! (n  r)! nº de casos favorables del evento A n( A)
10! 10! P(A)  
C(10,4)  
4! (10  4)! 4!6!
nº total de casos posibles n(S )

10! 10 x 9 x 8 x 7 x 6! 10 x 9 x 8 x 7
   210
4!6! 4! . 6! 4 x 3 x 2 x1

Ejemplo  12 :
AXIOMAS DE PROBABILIDAD
Si se lanza una moneda tres veces ¿Cuál es la probabilidad de 
a. Obtener exactamente dos caras ?
1. La probabilidad de un suceso A, toma valores entre 0 y 1; es decir
0  P(A)  1 . b. Al menos dos caras ?
c. ninguna cara?
2. La probabilidad de un suceso seguro  es 1 P( ) = 1

Solución: n(A) 3
3. Si un suceso A =  , A es un suceso imposible P(A) = 0  P(A)    0.375
n   8
4. Si A y B son sucesos independientes de ; donde AB =  ;
n(B) 4 1
entonces, la probabilidad que ocurra del suceso A  B es:  P(B)     0.5
n   8 2
P (A  B) = P(A) + P(B)
n(C) 1
 P(C)    0 . 125
n   8

16
 27/07/2019

REGLA  DE   ADICIÓN REGLA  DE  MULTIPLICACIÓN

Calcula la probabilidad que ocurra el evento A o B o ambos Calcula la probabilidad que ocurra el evento A y el evento B 

1) Si A y B dos eventos mutuamente excluyentes 
1) Si A y B dos eventos mutuamente excluyentes  (independientes), entonces: 
(independientes), entonces: 
P(A  B) = P(A) P(B)
P(AUB) = P(A) + P(B)
2) Si A y B son eventos dependientes, entonces:
2) Si A y B son eventos dependientes, entonces:
P(A  B) = P(A)P(B/A)
P(AUB) = P(A) + P(B) – P(A∩B)

Curso: Probabilidades y Estadística
LOGRO DE LA SESIÓN 

Al finalizar la sesión, el 
estudiante resuelve ejercicios 
de probabilidades en 
Probabilidades Thomas  Bayes 
experimentos aleatorios, 
continuación aplicando probabilidad 
condicional y teorema de 
Bayes demostrando su 
procedimiento en el tiempo 
1702 ‐ 1761
establecido. 

17
 27/07/2019

PROBABILIDAD CONDICIONAL
Sesión 12: Probabilidades
Ocurre cuando dos eventos se relacionan de manera tal que la
probabilidad de ocurrencia de uno depende de la ocurrencia del otro.
CONTENIDO SABERES PREVIOS
Definición1: Sean A y B dos eventos tal que, la
1. Probabilidad condicional.  Teoría de conjuntos. probabilidad condicional de que ocurra el evento A
2. Probabilidad total.  Técnicas de conteo. dado que ha ocurrido B, se denota:
3. Teorema de Bayes.  Espacio muestral y  P( A  B )
eventos P( A / B )  ; P( B )  0
P( B )

Si La P(B) = 0 entonces la P(A / B) = No Existe

Si se elige un celular al azar: EJEMPLO

EJEMPLO ¿Cuál es la probabilidad de que el celular sea
obsoleto? En una universidad el 70% de los estudiantes son de ciencias y el 30% de letras; de los estudiantes de
El gerente de PC Wireless considera que los ciencias el 60% son varones y los de letras son varones el 40%. Si se elige aleatoriamente un
75
celulares según su condición: celulares de P(O)   0.375  37.5% estudiante, calcular la probabilidad que:
200
segunda mano, obsoletos o defectuosos ∩ 0.54
Si se sabe que es defectuoso, ¿calcule la a) Sea un estudiante varón / 0.54 54%
1
siguen teniendo valor y pueden tener una probabilidad que el celular se utilice en el sector
b) Sea un estudiante varón si es de ciencias
segunda oportunidad de venta en el mercado. Industrial? ∩ 0.42
A continuación se detalla la comercialización c) Sea un estudiante de ciencias si es varón / 0.60 60%
0.70
∩ 25
de los celulares en tres principales sectores /
55
0.454 45.4% d) Sea un estudiante mujer si es de ciencias
del mercado ∩ 0.42
e) Sea un estudiante mujer si es de letras / 0.777 77.7%
0.42 0.12
Condición del
Sector del mercado Si se sabe que es obsoleto, calcule la
Total probabilidad que el celular se utilice en Est/Sexo Varones Mujeres Total
celular Telecomunicaciones:
Industrial: I Energía: E ∩ 0.28
T el sector de Telecomunicaciones / 0.40 40%
Ciencias 0.42 0.28 0.70 0.70
Segunda mano: S 15 45 10 70
∩ 25
/ 0.333
Obsoleto: O 35 25 15 75 75 Letras 0.12 0.18 0.30 ∩ 0.18
/ 0.60 60%
/ 33.3% 0.30
Defectuoso: D 25 20 10 55
Total 0.54 0.46 1.00
Total 75 90 35 200

18
 27/07/2019

EJEMPLO: Un taller sabe que por término medio acuden: por la mañana tres automóviles
con problemas eléctricos, ocho con problemas mecánicos y tres con problemas de chapa, y TEOREMA DE BAYES
por la tarde dos con problemas eléctricos, tres con problemas mecánicos y uno con
problemas de chapa.
A1 A2 <  ,F , P> Espacio probabilístico

Electricidad Mecánica Chapa Total {A1, A2, ... ,An} partición de  , 

Mañanas 3 8 3 14
Tardes 2 3 1 6
B B  F
Total 5 11 4 20 A3 A4
P(B  Ai ) P ( B / Ai ) P ( Ai )
a) Calcular la probabilidad de los que acuden por la tarde P(Ai|B)   n

 P( B / A ) P( A )
P(B)
b) Calcular la probabilidad de los que acuden por problemas mecánicos j j
j 1
c) Calcular la probabilidad de que un automóvil acuda por la tarde y tenga problemas de chapa.
d) Calcular la probabilidad de que un automóvil acuda por la mañana si tiene problemas eléctricos P ( Ai ) : probabilidades " a priori"
P ( Ai / B ) : probabilidades " a posteriori"
P ( B / Ai ) : verosimilutudes

TEOREMA DE BAYES EJEMPLO: En una cierta población, el 25% de las personas tienen ojos azules y el resto
cafés. También el 10% de la población con ojos azules son zurdos, mientras que también lo
son el 5% de la población de ojos cafés.
EJEMPLO 1. En una oficina, La Fuma ¿Cuál es la probabilidad de que una persona que sabemos es zurda tenga ojos azules?
probabilidad que un empleado sea mujer 0,1

es 0.3, si es hombre la probabilidad que Hombre

fume es 0.10 pero si es mujer 0.20. Se 0,7 0.25
No fuma Zurdos
elige a un individuo al azar y resulta Empleado
0,9 0,1 / /
fumador. ¿Cuál es la probabilidad de que Azules 0.25 0.1 0.75 0.05
0,2
sea una mujer? 0,3 Fuma
0,25
Diestros
Mujer 0,9 0.0625
Personas
∩ / 0.1 0.25
0.3 0,8 0,05 /
No fuma 0,75 Zurdos 0.0625
Cafés
/ / 0.7 0.1 0.2 0.3 0.13 / 0.40
∩ / 0.2 0.3 0,95
/ 0.46 Diestros
0.13

19

EJERCICIO:
En la sala de pediatría de un hospital, el 60% de los pacientes son niñas.
De los niños el 35% son menores de 24 meses. El 20% de las niñas
tienen menos de 24 meses. Un pediatra que ingresa a la sala selecciona
un infante al azar.
a. Determine el valor de la probabilidad de que sea menor de 24 meses.
b. Si el infante resulta ser menor de 24 meses. Determine la probabilidad
que sea una niña.
EJERCICIO:
Un Doctor dispone de tres equipos electrónicos para realizar
ecosonogramas. El uso que le da a cada equipo es de 25% al primero,
35% el segundo en y 40% el tercero. Se sabe que los aparatos tienen
probabilidades de error de 1%, 2% y 3% respectivamente. Un paciente
busca el resultado de una ecografía y observa que tiene un error.
Determine la probabilidad de que se ha usado el primer aparato.
27/07/2019
EJERCICIO:
Un médico cirujano se especializa en cirugías estéticas. Entre sus
pacientes, el 20% se realizan correcciones faciales, un 35% implantes
mamarios y el restante en otras cirugías correctivas. Se sabe además, que
son de genero masculino el 25% de los que se realizan correcciones
faciales, 15% implantes mamarios y 40% otras cirugías correctivas.
Si se selecciona un paciente al azar, determine:
a) Determine la probabilidad de que sea de género masculino
b) Si resulta que es de género masculino, determine la probabilidad que
se haya realizado una cirugía de implantes mamarios.
EJERCICIO:
Una fábrica de piezas para aviones está organizada en tres secciones. La
sección A fabrica el 30% de las piezas, la sección B el 35%, mientras que
el resto se fabrican en la sección C. La probabilidad de encontrar una
pieza defectuosa es del 0.01, 0.015 y 0.009 según se considere la sección
A, B o C, respectivamente.
a) Calcula la probabilidad de que una pieza elegida al azar salga
defectuosa de dicha fábrica.
https://www.profesor10demates.com/2013/0
b) Si elegida una 9/probabilidad‐7‐teorema‐de‐bayes.html
pieza al azar es defectuosa, ¿qué probabilidad hay de
que sea de la sección B?
20
 27/07/2019

EJERCICIO:
Un moderno edificio tiene dos ascensores para uso de los vecinos. El
primero de los ascensores es usado el 45% de las ocasiones, mientras
que el segundo es usado el resto de las ocasiones. El uso continuado de
los ascensores provoca un 5% de fallos en el primero de los ascensores y
un 8% en el segundo. Un día suena la alarma de uno de los ascensores
porque ha fallado. Calcula la probabilidad de que haya sido el primero de
los ascensores.

21