UNIDAD 1: FASE 1 AXIOMAS DE PROBABILIDAD

EDWARD FERNANDO ARISTIZABAL CC 1113307220

JUAN CAMILO CASTRO C.C 1113308646

CRISTIAN RAMÍREZ C.C

VÍCTOR ALFONSO CARDONA C.C 14570994

JHONEIDER HINCAPIE AGUIRRE C.C 1.112.782.862

PRESENTADO A:

LAURA ELENA QUINGUEREJO

PROBABILIDAD

GRUPO: 100402_316

UNIVERSIDAD NACIONAL ABIERTA Y A DISTANCIA UNAD

ESCUELA DE CIENCIAS BÁSICAS Y TECNOLOGÍAS

INGENIERÍA DE SISTEMAS

DOSQUEBRADAS RISARALDA

OCTUBRE 2016
 INTRODUCCION

En la vida cotidiana como profesionales encontraremos situaciones de tomar

decisiones cuando interviene la incertidumbre, esta se da cuando no tenemos la plena
certeza de que va a ocurrir el suceso más favorable a nuestro beneficio. La mejor
forma de tratarla es empleando los diferentes métodos de la probabilidad.

La probabilidad básica se utiliza para evaluar la probabilidad de ocurrencia de

diferentes eventos o sucesos (fenómenos). Con la probabilidad básica pueden hacerse
inferencias de una muestra hacia una población.

La probabilidad suele expresarse como un número entre 0 y 1 (0% y 100%) siendo 0

la posibilidad nula de que ocurra, y 1 la probabilidad segura de que ocurra, depende
del número que sea este tendrá una probabilidad baja, alta o media dependiendo al
extremo que más se acerque. Para determinarla utilizaremos axiomas y teoremas que
nos ayudaran a establecer la probabilidad de un suceso que pasaría a futuro.
 CUADRO SINOPTICO

PROBABILIDAD

UNIDAD 1

Experimento
Técnicas de conteo
Aleatorio, espacio
muestral, sucesos
Estas técnicas son utilizadas para enumerar los
o eventos.
eventos que son difíciles de cuantificar, las cuales
son:

Experimento aleatorio: Es aquel  La técnica de conteo para experimento de

experimento cuyos resultados posibles etapas múltiples.
conocemos, pero desconocemos el  La técnica permutación.
resultado que se presentara por lo que el  La técnica combinación.
resultado se presenta al azar.

Espacio muestral: es el conjunto de

todos los resultados que se pueden
obtener de un experimento. Los Axiomas: Son las condiciones mínimas que se deben
verificar para una función definida sobre un conjunto de
Sucesos o eventos: es un conjunto de
sucesos pueda determinar consistentemente sus
puntos muéstrales y contiene todos los
probabilidades
resultados posibles.

Axioma 1: La probabilidad de cualquier evento Ees un número

real no negativo. P( E) ≥0

Axioma 2: La probabilidad del evento seguro S, es igual a 1.

P ( S )=1

Axioma 3: Si E1 , E2 ,…son eventos mutuamente excluyentes

(incompatibles dos a dos), entonces:

ESTUDIO DE CASO 1(EDUARD FERNANDO ARISTIZABAL)

 En una universidad de Bogotá se realizó un informe sobre el rendimiento académico
de los estudiantes que cursaron asignaturas en el área de matemáticas en el periodo
2015 - I. Los resultados obtenidos muestran el rendimiento por curso, por programa,
y por profesor.

Datos: La base de datos incluye la compilación de la información reportada por los

docentes del área, incluye 2755 registros de estudiantes inscritos en alguna de las
asignaturas ofrecidas por el área. Los profesores reportaron la valoración (notas) de
cada corte, y con ellas se hizo seguimiento durante el semestre.

APROBÓ: Estudiantes que finalizaron el curso con una nota superior o igual a 3.0.

REPROBÓ: Estudiantes que finalizaron el curso con una nota inferior a 3.0 sin
contar a quienes ya perdieron por fallas, o fueron reportados por cancelación de
semestre.

CANCELO O PERDIO POR FALLAS: Estudiantes que perdieron por fallas, o

fueron reportados por cancelación de semestre

Cancelo o
Curso Aprobó Reprobó Total
perdió por fallas
Algebra lineal 178 10 30 218
Análisis numérico 146 15 21 182
Cálculo infinitesimal 252 37 39 328
Calculo integral 56 8 15 79
Cálculo multivariado 244 49 64 357
Calculo negocios 226 44 61 331
Ecuaciones diferenciales 178 47 40 265
Estadística básica 33 11 9 53

Estadística inferencial 269 70 98 437

Matemáticas avanzadas 199 53 73 325
Matemáticas discretas 44 13 23 80
Pre cálculo 42 24 17 83
Probabilidad 6 8 3 17
TOTAL 1873 389 493 2755

Cancelo o perdió
Programa Aprobó Reprobó Total
por fallas
Administración ambiental 146 15 21 182
Admón. empresas 295 44 41 380
 Arquitectura 297 53 71 421
Contaduría 99 23 19 141
Economía 99 19 24 142
Ing. Mecatronico 515 118 154 787
Ing. Civil 88 20 27 135
Ing. Financiera 83 29 22 134
Ing. Sistemas 127 26 53 206
Ing. Telecomunicaciones 32 9 15 56
Negocios Internacionales 69 21 33 123
Psicología 23 12 13 48
Total 1873 389 493 2755

Cancelo o perdió
Profesor Aprobó Reprobó Total
por fallas
César r. 52 1 53
Claudia v. 31 5 36
Diana m. 97 4 18 119
Ernesto s. 166 17 21 204
Diego v. 36 5 4 45
Eduardo m. 154 17 26 197
Enrique p 118 25 13 156
Fernando m. 125 21 21 167
Gloria a. 151 32 20 203
Jairo a. 116 19 26 161
Javier b. 98 10 29 137
José c. 49 9 16 74
Luz p. 142 23 44 209
Marcela f. 60 19 21 100
María a. 93 27 37 157
Mario g 90 16 46 152
Mercedes s. 60 15 27 102
Oscar n. 111 48 45 204
Patricia m. 37 14 22 73
Ricardo o. 57 31 46 134
Sandra m. 30 37 5 72
Total 1873 389 493 2755

1. La probabilidad de que un estudiante apruebe un curso del área de matemáticas.

En la tabla podemos ver el número de estudiantes que aprobaron, para hallar la

probabilidad de que un estudiante apruebe, definiremos los siguientes parámetros:

Estudiantes que aprobaron lo llamaremos: A = 1873

 Estudiantes que reprobaron lo llamaremos: B = 389
Total, de estudiantes lo llamaremos: C=2755

P(A/C) = 1873/2755 = 0,6798

2. La probabilidad de que un estudiante repruebe un curso del área de matemáticas.

Estudiantes que aprobaron lo llamaremos: A = 1873
Estudiantes que reprobaron lo llamaremos: B = 389
Total, de estudiantes lo llamaremos: C=2755

P(B/C) = 389/2755 = 0,1411

3. Por cada profesor, establezca la probabilidad de que un estudiante apruebe un curso

del área de matemáticas.

Cesar R. P : (52 / 53) = 0.98 * 100 = 98%

Claudia V. P : (31 / 36) = 0.86 * 100 = 86%
Diana M. P : (97 / 119) = 0.81 * 100 = 81
Ernesto S. P : (166 / 204) = 0.81 * 100 = 81
Diego V. P: (36 / 45) = 0.8 * 100 = 80
Eduardo M. P: (154 / 197) = 0.78 * 100 = 78
Enrique P. P: (118 / 156) = 0.75 * 100 = 75
Fernando M. P: (125 / 167) = 0.74 * 100 = 74
Gloria A. P: (151 / 203) = 0.74 * 100 = 74
Jairo A. P: (116 / 161) = 0.72 * 100 = 72
Javier B. P: (98 / 137) = 0.71 * 100 = 71
Jose C. P: (49 / 74) = 0.62 * 100 = 62
Luz P. P: (142 /209) = 0.67 * 100 = 67
Marcela F. P: (60 / 100) = 0.6 * 100 = 60
Maria A. P: (93 / 157) = 0.59 * 100 = 59
Mario G. P: (90 / 152) = 0.59 * 100 = 59
Mercedes S. P: (60 / 102) = 0.58 * 100 = 58
Oscar N. P: (111 / 204) = 0.54 * 100 = 54
Patricia M. P: (37 / 73) = 0.50 * 100 = 50
Ricardo O. P: (57 / 134) = 0.42 * 100 = 42
Sandra M. P: (30 / 72) = 0.41 * 100 = 41

4. Si un estudiante aprueba un curso, establezca la probabilidad de que sea cada uno

de los cursos del área

Algebra lineal P: (178 / 218) = 0.81 * 100 = 81.65

Análisis numérico P: (146 / 182) = 0.78 * 100 = 78.4
 Cálculo infinitesimal
Calculo integral
Cálculo multivariado
Calculo negocios
Ecuaciones diferenciales
Estadística básica
Estadística inferencial
Matemáticas avanzadas
Matemáticas discretas
Pre cálculo
Probabilidad
P: (252 / 328) 0.76 * 100 = 76.8
P: (56 / 79) = 0.70 * 100 = 70.8
P: (244 / 357) = 0.68 * 100 = 68.34
P: (226 / 331) = 0.68 * 100 = 68.27
P: (178 / 265) = 0.67 * 100 = 67.16
P: (33 / 53) = .622 * 100 = 62.26
P: (269 / 437) = 0.61 *100 = 61.55
P: (199 / 325) = 0.61 * 100 = 61.23
P: (44 / 80) = 0.55 *100 = 55
P: (42 / 83) = 0.50 * 100 = 50.60
P: (6 / 17) = 0.35 * 100 = 35.29

5. Clasifique los cursos del área de acuerdo a los resultados obtenidos. Establezca los
criterios que utilizó y dé las razones de su elección.

Se debe clasificar de acuerdo a su nivel de aprobación y de desertados colocando

en primera instancia aquellas materias cuyo margen de aprobación fue mayor;
utilizando la misma fórmula: P = (Aprobados por materia / Total) = Resultado * 100

CANCELA
PROBABILID
DO O
APROBA REPROBA TOTA AD DE
CURSO PERDIDO
DO DO L APROBACIO
POR
N
FALLAS
Probabilidad 6 8 3 17 35
Estadística
Básica 33 11 9 53 62
Calculo
Integral 56 8 15 79 71
Pre cálculo 42 24 17 83 51
Análisis
Numérico 146 15 21 182 80
Matemática
Discreta 44 13 23 80 55
Algebra lineal 178 10 30 218 82
Calculo
Infinitesimal 252 37 38 328 77
Ecuaciones
Diferenciales 178 10 30 218 82
Calculo
Negocios 226 44 61 331 68
Calculo
Multivariado 244 49 64 357 68
Matemáticas
avanzada 199 53 73 325 61
Estadística
inferencial 269 70 98 437 62
6. Califique los profesores del área de acuerdo a los resultados obtenidos. Establezca
los criterios que utilizó y dé las razones de su elección.

P = (Aprobados / Total) = Resultado * 100

Cesar R. P: (52 / 53) = 0.98 * 100 = 98

Claudia V. P: (31 / 36) = 0.86 * 100 = 86
Diana M. P: (97 / 119) = 0.81 * 100 = 81
Ernesto S. P: (166 / 204) = 0.81 * 100 = 81
Diego V. P: (36 / 45) = 0.8 * 100 = 80
Eduardo M. P: (154 / 197) = 0.78 * 100 = 78
Enrique P. P: (118 / 156) = 0.75 * 100 = 75
Fernando M. P: (125 / 167) = 0.74 * 100 = 74
Gloria A. P: (151 / 203) = 0.74 * 100 = 74
Jairo A. P: (116 / 161) = 0.72 * 100 = 72
Javier B. P: (98 / 137) = 0.71 * 100 = 71
José C. P: (69 / 99) = 0.69 * 100 = 69
Luz P. P: (142 /209) = 0.67 * 100 = 67
Marcela F. P: (60 / 100) = 0.6 * 100 = 60
María A. P: (93 / 157) = 0.59 * 100 = 59
Mario G. P: (90 / 152) = 0.59 * 100 = 59
Mercedes S. P: (60 / 102) = 0.58 * 100 = 58
Oscar N. P: (111 / 204) = 0.54 * 100 = 54
Patricia M. P: (37 / 73) = 0.50 * 100 = 50
Ricardo O. P: (57 / 134) = 0.42 * 100 = 42
Sandra M. P: (30 / 72) = 0.41 * 100 = 41

7. En que programa hay mejores resultados. Establezca los criterios que utilizó y dé las
razones de su elección.

hay mejores resultados en aquella materia donde hay menor personal

desertado, como se observa en la tabla siguiente donde se clasifican los programas de
acuerdo a su número de desertados:

CANCELAD
OO
APROBAD REPROBAD TOTA
CURSO PERDIDO
O O L
POR
FALLAS
Psicología 23 12 12 48
Ing. Telecomunicaciones 32 9 15 56
Contaduría 99 23 19 141
administración ambiental 146 15 21 182
Ing. Financiera 83 29 22 134
Economía 99 19 24 142
Ing. Civil 88 20 27 135
Negocios Internacionales 69 21 33 123
Administración de 295 44 41 380
empresas
Ing. Sistemas 127 26 53 206
Arquitectura 297 53 71 421
Ing. Mecatronico 515 118 154 787
 ESTUDIO DE CASO 2(VÍCTOR ALFONSO CARDONA)

Con frecuencia es necesario hallar la probabilidad incondicional de un evento B,

dado que un evento A ha ocurrido. Una de estas situaciones ocurre al hacer exámenes
de selección, que solían estar asociados principalmente con exámenes médicos de
diagnóstico pero que ahora están encontrando aplicaciones en varios campos de
actividad. Los exámenes de esteroides en atletas, los exámenes caseros de embarazo
y los exámenes para detectar sida son algunas otras aplicaciones. Los exámenes de
selección 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.

Se pueden evaluar estas probabilidades condicionales usando una fórmula derivada

por el probabilista Thomas Bayes, llamada el Teorema de Bayes. El teorema se
utiliza para revisar probabilidades previamente calculadas cuando se posee nueva
información y fue desarrollado por el reverendo Thomas Bayes en el siglo XVII.

Suponga que cierta enfermedad está presente en el 10% de la población, y que hay
un examen de selección diseñado para detectar si esta enfermedad está presente. El
examen no siempre funciona a la perfección. A veces, es negativo cuando la
enfermedad está presente y otras es positivo en ausencia de ella. La tabla siguiente
muestra la proporción en que el examen produce varios resultados:

Resultado del examen Resultado del examen

positivo negativo
Enfermedad presente 8% 2%
Enfermedad ausente 5% 85 %

Con base en esta información y usando el Teorema de Bayes, elabore un informe que
como mínimo, debe incluir:

1. Probabilidad de que la enfermedad este presente

2. Probabilidad de que la enfermedad esté ausente

3. Probabilidad de un falso positivo, es decir que el examen sea positivo dado que
la persona no tiene la enfermedad

4. Probabilidad de un falso negativo, es decir, que el examen resulte negativo dado

que la persona tiene la enfermedad

5. Probabilidad de que la persona tenga la enfermedad dado que el examen resulto

positivo

6. Probabilidad de que la persona NO tenga la enfermedad dado que el examen

resulto negativo

7. ¿De acuerdo con las probabilidades encontradas, que tan confiable es este
examen de selección para detectar la enfermedad?

Solución

A: Enfermedad ausente

P: Enfermedad presente

Pos: Resultado del examen positivo

Neg: Resultado del examen negativo

Las probabilidades ofrecidas por la tabla son

P ( pos )=0.13

P¿

Con base en esta información y usando el Teorema de Bayes, elabore un informe que
como mínimo, debe incluir:

1. Probabilidad de que la enfermedad este presente

P ( P )=0.08+0.02=0.1

2. Probabilidad de que la enfermedad esté ausente

P ( A )=0.05+ 0.85=0.9
3. Probabilidad de un falso positivo, es decir que el examen sea positivo dado que
la persona no tiene la enfermedad

(P ( Pos ∩ A ) ) 0.05
P ( Pos|A )= = =0.056
P( A) 0.9

4. Probabilidad de un falso negativo, es decir, que el examen resulte negativo dado

que la persona tiene la enfermedad

P(¬∩ P) 0.02
P (¬¿ P )= = =0.2
P(P) 0.3

5. Probabilidad de que la persona tenga la enfermedad dado que el examen resulto

positivo

P( Pos │ P)P(P)
P ( P| Pos )=
P(Pos)

P ( Pos ∩ P ) 0.08
P ( Pos|P )= = =0.8
P ( P) 0.1

0.8∗0.1
P ( P| Pos )= =0.6154
0.13

6. Probabilidad de que la persona NO tenga la enfermedad dado que el examen

resulto negativo

P¿

P ( ¬∩ A ) 0.85
P (¬¿ A ) = = =0.9444
P(A) 0.9

P¿
7. ¿De acuerdo con las probabilidades encontradas, que tan confiable es este
examen de selección para detectar la enfermedad?

Para responder esta pregunta podemos considerar los puntos 5 y 6. La pregunta 5

En el primer caso se observa que la probabilidad es 61.54% lo cual no es un
resultado tan decisivo como debe esperarse, en el punto 6 la prueba nos dice que
podemos estar al 97.7% seguros de que no tenemos la enfermedad. Por lo tanto,
se puede concluir que la prueba nos indica una información más confiable para
determinar si una persona NO está enferma, pero se queda corta para indicar sí
lo está.

ESTUDIO DE CASO 3 (JHONEIDER HINCAPIE)

En su excitante novela “Congo”, Michael Crichton describe la búsqueda de depósitos

de diamantes azules cubiertos de boro llevada a cabo por
EarthResourcesTechnologyServices (ERTS), una compañía dedicada a estudios
geológicos. Según ERTS los diamantes son la clave para una nueva generación de
computadoras ópticas. En la novela ERTS compite contra un consorcio internacional
por encontrar la cuidad perdida de Zinj, que prosperó dada la minería de diamantes
hace varios miles de años (según la leyenda africana) y se ubica en lo más profundo
de la selva tropical de Zaire Oriental.

Después de la misteriosa destrucción de su primera expedición, ERTS lanza una

segunda expedición dirigida por Karen Ross, una experta en computación de 24 años
de edad, acompañada por el profesor Peter Eliot, un antropólogo; Amy, un gorila
parlante; y el afamado mercenario y líder de la expedición, el “capitán” Charles
Munro. Las acciones ofensivas del consorcio, la mortal selva tropical y las hordas de
gorilas “parlantes” asesinos, que percibieron que su misión era defender las minas de
diamantes, bloquean los esfuerzos de Ross para encontrar la ciudad. Para superar
estos obstáculos Ross utiliza computadoras de la era espacial para evaluar las
probabilidades de éxito en todas las circunstancias posibles y las acciones que
pudiera llevar a cabo la expedición. En cada etapa de la expedición, ella evalúa
rápidamente las probabilidades de éxito.

En una etapa de la expedición Ross recibe informes de su oficina principal en

Houston, de que sus computadoras estiman que tiene 18 horas y 20 minutos de
retraso en relación con el equipo competidor euro-japones, en lugar de 40 horas de
ventaja. Cambia los planes y decide que 12 miembros de su equipo desciendan en
paracaídas en una región volcánica cerca de la ubicación estimada de Zinj. Según el
relato de Crichton, “Ross había vuelto a revisar las probabilidades de la computadora
de Houston y los resultados eran inequívocos. La probabilidad de un salto exitoso era
 0,7980; sin embargo, dado un salto exitoso, la probabilidad de éxito de la expedición
era de 0,9943 con lo cual casi se aseguraba de que vencerían al consorcio”

Sin olvidar que se trata de la cita de una novela, examine las probabilidades
mencionadas y determine:

1. ¿Si fuera uno de los 12 miembros del equipo, cual es la probabilidad de completar su
salto con éxito?
2. Si la probabilidad de que los 12 miembros del equipo tengan un salto exitoso es de
0.7980, cual es la probabilidad de que un solo miembro del equipo pueda completar
el salto con éxito?
3. En el relato se afirma que: “esa probabilidad de 0,7980 significaba que había casi una
posibilidad entre cinco de que alguien se hiera seriamente en un salto”. ¿Concuerda
usted con esa afirmación? Si o no. ¿Por qué?

DESCRIPCION DE LA SITUACION

La compañía EarthResourcesTechnologyServices (ERTS) en su afán de desarrollar

computadoras ópticas desea encontrar una ciudad perdida en el corazón de la selva
de Zaire en áfrica por la leyenda africana acerca de sus abundantes diamantes.

En la selva hay muchos peligros tales como gorilas asesinos, la hostil selva e
inclusive el consorcio rival euro-japonés que también desea encontrar esta ciudad.

Sucede que la ERTS ya había mandado una expedición, pero esta había desaparecido
misteriosamente, ahora deciden mandar una segunda encabezada por 4 personajes
principales

Karen al verse retrasada y que el equipo rival llevaba delantera, opto por utilizar
computadoras avanzadas para establecer probabilidades de éxito en la búsqueda de la
ciudad, decide enviar 12 miembros de su equipo a lanzarse en paracaídas cerca de la
ciudad perdida, pero esta acción tiene cierto riesgo mortal dado que es una zona
volcánica por lo tanto los resultados que arrojaron la computadora son los siguientes,
 Probabilidad de salto exitoso en los 12 lanzamientos = 0,7980

Dado un salto exitoso, la probabilidad de ganar es = 0,9943 (casi seguro)

Dado lo anterior deducimos que:

1. ¿Si fuera uno de los 12 miembros del equipo, cual es la probabilidad de completar su
salto con éxito?

P12 = 0,7980

Número de miembros = 12

0,7980
p 1= =0.0665
12

La probabilidad de éxito de uno de ellos sería de 0.0665 %.

2. Si la probabilidad de que los 12 miembros del equipo tengan un salto exitoso es de

0.7980, cual es la probabilidad de que un solo miembro del equipo pueda completar
el salto con éxito?

Posibles casos en los que un solo miembro tendría éxito = Suceso A

n!
C=
r ! ( n−r ) !

n= 12

r=1

12!
C=
1! ( 12−1 ) !

479001600
C=
39916800

C=12
 A=12

Resultados posibles de S

Opciones 2 (Éxito y Fracaso)

Posibilidades 12 (12 integrantes)

S=212

S=4096

nA 12
P ( A )= =
N 4096

P ( A )=0.00293

La probabilidad de que un solo miembro (ni más, ni menos), independiente de cuál

sea tenga éxito es de 0.00293 %

3. En el relato se afirma que: “esa probabilidad de 0,7980 significaba que había casi una
posibilidad entre cinco de que alguien se hiera seriamente en un salto”. ¿Concuerda
usted con esa afirmación? Si o no. ¿Por qué?

NO concuerdo con esa afirmación.

Partiendo de que el cálculo de la probabilidad de éxito se dio en el caso de mandar 12

integrantes y que al menos uno tuviera éxito fue la suma de probabilidad de éxito de
cada integrante de ello, ya que con cada integrante se tenía un mayor porcentaje de
probabilidad de éxito.

Pro 12=Pi 1+ Pi 2+ Pi 3+ Pi 4+ Pi 5+ Pi 6+ Pi 7+ Pi 8+ Pi 9+ Pi 10+ Pi 11+ Pi 12

0.7980=0.0665+0.0665+0.0665+ 0.0665+ 0.0665+0.0665+0.0665+0.0665+ 0.0665+ 0.0665+0.0665+

Porque así hay un buen porcentaje a favor de que al menos 1 integrante culmine con
éxito, lo que más bien estaría en relación 1 / 5 sería el fracaso de los 12 lanzamientos
de cada integrante, haciendo fracasar la expedición, pero tiene 4 posibilidades entre 5
favorables.

CASO 4 (JUAN CAMILO CASTRO)

Probabilidad condicionada

Cuando se producen sucesos estocásticos consecutivamente de un espacio muestral,

pueden darse dos tipos genéricos de situaciones:

•             Los sucesos son independientes entre sí, de manera que no influyen uno en
el otro.

•             Cada suceso está condicionado por el resultado del anterior.

Cuando un suceso A influye en el resultado de un segundo suceso B, se dice que la

probabilidad de éste es una probabilidad condicionada, expresado como P (B / A),
cuyo valor es:

El suceso A no puede ser un suceso imposible, pues sería P (A) = 0.

Experimentos compuestos

Se llama experimento aleatorio compuesto al que resulta de la realización de varios

experimentos aleatorios simples. En general, a un experimento compuesto se asocia
una probabilidad compuesta, también llamada probabilidad producto y expresada
como P (A   B) o, simplemente, P (AB). Según la definición de probabilidad
condicionada, el valor de la probabilidad compuesta por dos experimentos simples
dependientes viene dado por:
Diagrama de árbol relativo al experimento compuesto que consiste en lanzar tres
veces una moneda al aire.

En el caso particular de que los sucesos del experimento compuesto sean

independientes, se cumple que P (A B) = P (A)  * P (B). Cuando el experimento
compuesto corresponde a tres experimentos simples, la fórmula se transforma en:

Si A, B y C son dependientes: P (A B C) = P (ABC) = P (A) * P (B/A) * P (C/A   B)

Si A, B y C son independientes: P (A   B C) = P (A) * P (B) * P (C)

Probabilidad total

Cuando los sucesos elementales de un experimento no se refieren a todo el espacio

muestral sino a algún subconjunto del mismo, el cálculo de probabilidades se hace
más complejo. Un ejemplo típico de este problema es el experimento consistente en
sacar bolas de tres bolsas distintas, de manera que en cada bolsa existe una
distribución de bolas diferente. ¿Cuál sería la probabilidad de que una bola extraída
sea de un determinado color?

En estos casos se recurre al llamado teorema de la probabilidad total, según el cual, si

se parte el espacio muestral E en un conjunto de n sucesos incompatibles A1, A2, ¿,
An, donde E = A1  A2 …. An, y se analiza un suceso cualquiera B, conocidas todas
las probabilidades de A1, A2, …, An y las probabilidades condicionadas de B con
respecto a cada uno de estos sucesos incompatibles, se puede deducir:
Ejemplo del diagrama de árbol correspondiente a un experimento que consiste en
sacar una bola roja (R) de una de estas tres bolsas: la primera bolsa tiene 2 bolas
rojas y 3 negras; la segunda bolsa, 3 bolas rojas y 7 negras, y la tercera bolsa, 4 bolas
rojas y 4 negras.

Teorema de Bayes

Cuando se calcula la probabilidad de un fenómeno después de que éste se haya

producido, se habla de probabilidad a posteriori. Por ejemplo, supóngase que en el
experimento de la extracción de una bola de entre varias bolsas se sabe que se ha
sacado una bola roja; ahora bien, ¿de qué bolsa procede? La respuesta se obtiene de
la ley de la probabilidad a posteriori.

Si se divide el espacio muestral E en un conjunto de n sucesos incompatibles A1, A2,

..., An, donde E = A1  A2 …. An, y se considera un suceso cualquiera B, conocida la
probabilidad de B (que ha de ser distinta de cero), la probabilidad a posteriori para
cada Ai (con i = 1, 2, …, n) se obtiene mediante el llamado teorema de Bayes:
 DESARROLLO:

uez Tribunal Civil Casos Casos Casos Probabilidad Probabilidad Probabilidad

Presentados Apelados Revocados Apelar Revocar Revocar dada
una apelación
Mike Allen 6149 43 4 0.006993 0.000651 0.093023
Nadine Allen 7812 34 6 0.004352 0.000768 0.176471
Timothy Black 7954 41 6 0.005155 0.000754 0.146341
David Davis 7736 43 5 0.005558 0.000646 0.116279
Leslie Isaiah 5282 35 13 0.006626 0.002461 0.371429
Gaines
Karla Grady 5253 6 0 0.001142 0.000000 0.000000
Deidra Hair 2532 5 0 0.001975 0.000000 0.000000
Dennis 7900 29 5 0.003671 0.000633 0.172414
Helmick
Timothy 2308 13 2 0.005633 0.000867 0.153846
Hogan
James Patrick 2798 6 1 0.002144 0.000357 0.166667
Kenney
Joseph 4698 25 8 0.005321 0.001703 0.320000
Luebbers
William 8277 38 9 0.004591 0.001087 0.236842
Mallory
Melba Marsh 8219 34 7 0.004137 0.000852 0.205882
Beth Mattingly 2971 13 1 0.004376 0.000337 0.076923
Albert 4975 28 9 0.005628 0.001809 0.321429
Mestemaker
Mark Painter 2239 7 3 0.003126 0.001340 0.428571
Jack Rosen 7790 41 13 0.005263 0.001669 0.317073
Mark 5403 33 6 0.006108 0.001110 0.181818
Schweikert
David 5371 22 4 0.004096 0.000745 0.181818
Stockdale
John A. West 2797 4 2 0.001430 0.000715 0.500000
Total 108464 500 104 0,087326 0,018504 4,166827

Juez Casos Casos Casos Probabilidad Probabilidad Probabilidad

Tribunal Presentado Apelados Revocado Apelar Revocar Revocar dada
Penal s s una apelación
Fred Cartolano 3037 137 12 0.045110 0.003951 0.087591
Thomas Crush 3372 119 10 0.035291 0.002966 0.084034
Patrick 1258 44 8 0.034976 0.006359 0.181818
Dinkelacker
Timothy Hogan 1954 60 7 0.030706 0.003582 0.116667
Robert Kraft 3138 127 7 0.040472 0.002231 0.055118
William Mathews 2264 91 18 0.040194 0.007951 0.197802
William 3032 121 22 0.039908 0.007256 0.181818
Morrissey
Norbert Nadel 2959 131 20 0.044272 0.006759 0.152672
Arthur Ney, Jr 3219 125 14 0.038832 0.004349 0.112000
Richard Niehaus 3353 137 16 0.040859 0.004772 0.116788
Thomas Nurre 3000 121 6 0.040333 0.002000 0.049587
John O’Connor 2969 129 12 0.043449 0.004042 0.093023
Robert Ruehlman 3205 145 18 0.045242 0.005616 0.124138
J. Howard 955 60 10 0.062827 0.010471 0.166667
Sundermann
Ann Marie Tracey 3141 127 13 0.040433 0.004139 0.102362
Ralph Winkler 3089 88 6 0.028488 0.001942 0.068182
Total 43945 1762 199 0.651392 0.078386 1.890267

Juez
Probabilidad
Casos Casos Casos Probabilidad Probabilidad
Tribunal Revocar dada
Presentados Apelados Revocados Apelar Revocar
una apelación
Familia

Penelope
2729 7 1 0.002565 0.000366 0.142857
Cunningham
Patrick
6001 19 4 0.003166 0.000667 0.210526
Dinkelacker
Deborah
8799 48 9 0.005455 0.001023 0.187500
Gaines
Ronald
12970 32 3 0.002467 0.000231 0.093750
Panioto
Total 30499 106 17 0.013654 0.002287 0.634633

La que presenta Mayor probabilidad de revocar dada una apelación

Jhon A. West 2797 4 2 0.00143 0.000715 0.5

La que presenta Mayor Probabilidad de Revocar

J. Howard Sundermann 955 60 10 0.062827 0.010471 0.166667

Mayor Probabilidad de Apelar

J. Howard Sundermann 955 60 10 0.062827 0.010471 0.166667

Mayor Cantidad de Casos Revocados

William Morrissey 3032 121 22 0.039908 0.007256 0.181818

Mayor Cantidad de Casos Apelados

Robert Ruehlman 3205 145 18 0.045242 0.005616 0.124138

Mayor Cantidad de Casos Presentados

Ronald Panioto 12970 32 3 0.002467 0.000231 0.093750

 ESTUDIO DE CASO 5 (CRISTHIAN RAMÍREZ)

Un fabricante de reproductores de DVD compra un microchip en particular,

denominado LS-24, a tres proveedores: Hall Electronics, Schuller Sales y Crawford
Components. Los registros de la compañía muestran que el Veinticinco por ciento de
los chips LS-24 se le compran a Hall Electronics; el treinta por ciento a Schuller
Sales y el restante, a Crawford Components.

El fabricante cuenta con amplios historiales sobre los tres proveedores y sabe que 2%
de los chips LS-24 de Hall Electronics tiene defectos, 4% de los de Schuller Sales
también y6 % de los que vende Crawford Components son defectuosos. Cuando los
chips LS-24 se reciben, se les coloca directamente en un depósito y no se
inspeccionan ni se identifican con el nombre del proveedor. Un trabajador selecciona
un chip para instalarlo en un reproductor de DVD y lo encuentra defectuoso. Como
el fabricante no identificó los chips, no se está seguro de qué proveedor los fabricó.

Con el propósito de evaluar con que proveedor hay mayor probabilidad de tener
chips defectuosos, usted ha sido llamado para que ayude en el análisis de datos.
Utilice su conocimiento de la probabilidad para ayudar a realizar el informe
solicitado.

Prepare un informe en el que debe incluir como mínimo lo siguiente:

1. Probabilidad de que un chip este defectuoso

Para poder hallar la probabilidad de que un chip este defectuoso, debemos tomar los
porcentajes de las compras de chips que representa cada proveedor y luego hacemos
la operación con el porcentaje de los defectuosos.

P(A) = Chips defectuosos

P(A) = 0.25 (0.02) + (0.30) (0.04) + (0.45) (0.06) = 0.044

RTA: De lo cual podemos evidenciar que salen defectuosos el 4.4% de los chips.
2. Probabilidad de que el chip este en buenas condiciones

1 – P(A) = 1 – 0.044 = 0.956

Podemos ver que el 95.6% de los chips salen en buenas condiciones

3. Si el chip seleccionado resulta defectuoso, debe encontrar la Probabilidad de

que haya sido fabricado por cada uno de los proveedores

Tomare las iniciales de los proveedores para identificarlos de la siguiente manera:

Hall Electronics = HE

Schuller Sales = SS

Crawford Components = CC

(0.25)(0.02) 0.005
1. P ( HE|D )= = = 0.1136
( 0.25 )( 0.02 ) + ( 0.30 )( 0.04 ) +(0.45)(0.06) 0.044

Con lo anterior podemos darnos cuenta que el 11.36% de los chips defectuosos
provienen del proveedor Hall Electronics.

(0.30)(0.04) 0.012
2. P( SS∨D)= = =0.2727
( 0.25 )( 0.02 ) + ( 0.30 ) ( 0.04 )+(0.45)(0.06) 0.044

De lo anterior se evidencia que el 27.27% de los chips defectuosos provienen de

Schuller Sales.

(0.45)( 0.06) 0.027

3. P ( CC|D )= = =0.6136
( 0.25 ) ( 0.02 ) + ( 0.30 ) ( 0.04 ) +(0.45)(0.06) 0.044

Y por últimos podemos darnos cuenta que el 61.36% de los chips defectuosos
provienen de Crawford Components.

4. Si el chip seleccionado está en buenas condiciones, debe encontrar la

Probabilidad de que haya sido fabricado por cada uno de los proveedores
 ( 0.25)(0.98) 0.245
a. HE= = =0.2562=25.62 %
( 0.25 ) ( 0.98 )+ ( 0.30 ) ( 0.96 ) +( 0.45)(0.94) 0.956

Podemos identificar que los chips que están en buenas condiciones son el 25.62% y
provienen del Hall Electronics.

( 0.3)( 0.96) 0.288

b. SS= = =0.3012=30.12 %
( 0.25 ) ( 0.98 )+ ( 0.30 ) ( 0.96 ) +( 0.45)(0.94) 0.956

Se identifica que el 30.12% de chips están en buenas condiciones y son

correspondientes a Schuller Sales.

(0.45)(0.94 ) 0.423
c. CC= = =04424=44.24 %
( 0.25 ) ( 0.98 )+ ( 0.30 ) ( 0.96 ) +(0.45)(0.94) 0.956

Se puede observar que el identificar que el 44.24% de chips que están en buenas
condiciones y provienen de Crawford Components.

5. Elabore un diagrama de árbol que represente las probabilidades encontradas.

HE = Hall Electronics
D
SS = Schuller Sales
2%
CC = Crawford Components
HE ND
98%
0.25
D
4%
0.30
SS
96% ND
0.45

6% D
CC

94% ND
 CONCLUSIONES

 La probabilidad no permite tomar decisiones que a la postre afectaran para bien

o para mal sucesos que influirán en nuestra vida estableciendo el nivel de riesgo
y el nivel de probable éxito que podamos tener siendo una herramienta muy útil
en el diario vivir y en la vida laboral.

 Las técnicas de conteo permiten de manera reducida darnos cuenta de los

posibles resultados de un evento determinando algunas de sus características o
preferencias, permitiendo analizar un porcentaje de probabilidad de que pase el
resultado que deseemos.
 BIBLIOGRAFIA

 Rodríguez, F. & Pierdant, A. (2014). Estadística para administración. Tomado

de:http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=11013767&ppg=177

 Wiki pedía (2016). Probabilidad. Tomado de

https://es.wikipedia.org/wiki/Probabilidad

 Conceptodefinicion (2014). Definición de Probabilidad. Tomado de

http://conceptodefinicion.de/probabilidad/

 Monroy, S. (2008). Estadística Descriptiva. Editorial: Instituto Técnico

Nacional.  Recuperado
de: http://bibliotecavirtual.unad.edu.co:2077/lib/unadsp/reader.action?
docID=10436604&ppg=128