C

apitulo 1

Probabilidad
ESTADÍSTICA SUPERIOR
CARLOS A. ROJAS Y.

PROBABILIDAD
INTRODUCCION
Si

el

único propósito del

investigador es describir los resultados de una realidad, política,

situación o experimento concreto de la totalidad de una pequeña porción (muestra) del todo,

como por

ejemplo: el rendimiento del grado de una escuela, el análisis socioeconómico de

los habitantes de un edificio, las preferencias políticas de un comité de postulados, etc., los

métodos

de

Estadística

Descriptiva,

anteriormente

utilizados

pueden

considerarse

suficientes.

Sin

embargo,

si

lo

que

se

pretende

es

utilizar

la

información

obtenida

para

extraer

conclusiones

generales

sobre

todos

aquellos

objetos

que

conforman

un

todo,

entonces

los

métodos

descriptivos

solo

constituyen

el

principio

del

análisis,

se

debe

recurrir a métodos de inferencia estadística, donde se emplea la Teoría de la Probabilidad.

La mayoría de los fenómenos del universo se pueden estudiar considerando una pequeña

muestra de elementos de la población a que atañe el fenómeno, esto se logra seleccionando

dicha

muestra lo

mas

parecida

posible

la

población

mediante

un

mecanismo

al

azar

aleatorio (objetivo) y es precisamente el cálculo de probabilidades la herramienta que nos

suministra las reglas para el estudio de los experimentos aleatorios y que constituye la base

para

la

estadística

inductiva

inferencial.

Dicha

estadística

es

la

encargada

de

determinar

los

tamaños

de

muestra

acordes

con

los

riesgos

de

error

que

estemos

dispuestos a aceptar y la medición de los errores totales que se comenten por efectos del

muestreo,

lo

que

nos

da

la

posibilidad

de

dar

estimaciones

por

intervalos

sobre

los

parámetros de la población estudiada.
De alguna manera, el concepto de probabilidad se relaciona o nos recuerda las propiedades

de la frecuencia relativa, ya vistas en la estadística descriptiva, y a partir de estas y junto con

las

definiciones de

probabilidad condicional

de sucesos independientes se

deducen los

teoremas fundamentales del cálculo de probabilidades.
EXPERIMENTO Y SUCESOS ALEATORIOS
Es muy importante el aporte de la teoría de conjuntos cuando se estudia la probabilidad de

ocurrencia de algún resultado de todos los posibles originado por un experimento.

En este

Capitulo 1

Probabilidad
orden

de

ideas

vamos

denotar

por

la

letra

griega

ypsilón

ε
,

un

experimento

de

cualquier naturaleza el cual puede ser

determinístico, cuando repitiendo exactamente las

mismas

condiciones

de

realización

del

experimento

podemos

establecer

el

resultado

esperado, como ejemplo tenemos que un objeto de cualquier masa partiendo de un estado

inicial

en

reposo,

si

se deja

caer al

vacío desde

una

torre,

siempre

llega al

suelo con la

misma velocidad:

gh v 2 ·
,

siendo g la constante de gravedad y h la altura respectiva; en

general los experimentos físicos son de esta naturaleza. En cambio hay otros experimentos

que aun manteniendo intactas la condiciones iniciales de su realización no podemos indicar

el resultado esperado. Ejemplo: podemos lanzar un dado bien cargado o equilibrado de igual

manera y en las mismas condiciones y aunque conocemos todos los resultados posibles no

podríamos a priori

establecer el resultado de su cara. A estos experimentos los vamos a

llamar

aleatorios,

al

azar

o estocásticos, y serán en definitiva a los que les prestaremos

nuestra atención.

Este último ejemplo nos permite definir el concepto de Espacio Muestral

como el

conjunto

de todos los resultados posibles

¦ 6 , 5 , 4 , 3 , 2 , 1 · E
, asociados a la

realización de un experimento aleatorio.
Vamos a definir como

Evento o Suceso

todo

subconjunto del

espacio

muestral,

los

eventos los vamos a simbolizar por letras mayúsculas

...... , , , , ,

G F D C B A
E B A

⊂ ,
Debemos distinguir entre sucesos

simples o elementales y sucesos compuestos, estos

últimos están compuestos por dos o mas sucesos simples, en el caso del lanzamiento de un

dado

todos

los

valores

de

cada

una

de

las

caras

constituyen

los

sucesos

elementales:

{ ¦

¦ 6 5 , 4 , 3 , 2 , 1

; pero por ejemplo podemos considerar el suceso compuesto

B:

sacar numero par

¦ 6 , 4 , 2 · B

o el suceso compuesto

C:

sacar numero múltiplo de tres

¦ 6 , 3 · C
.

Dicho

de

otro

modo

un

suceso

elemental

solo

contiene

un

punto

del

espacio

muestral, en cambio un suceso compuesto, en general

llamado suceso aleatorio, puede

Capitulo 1

Probabilidad
tener

no

uno

solo,

sino

una

infinidad

de

sucesos

elementales;

también

no

contener

ninguno como veremos en la siguiente definición:
Suceso Imposible: es aquel que nunca se verifica o se da como resultado del experimento

aleatorio. Como debe ser un subconjunto del espacio muestral

E , la única posibilidad es

que el suceso imposible sea el conjunto vació:

imposible suceso es E

φ φ

⇒ ⊂
Suceso Seguro: es aquel

que siempre se verifica después del

experimento aleatorio, es

decir, el mismo

E .

seguro suceso es E E E

⇒ ⊂
Suceso contrario: también se llama complementario de A y es el suceso que se verifica si,

como resultado del experimento aleatorio no se verifica

A. Se acostumbra a denotarlo como

A :
{

¦ A x E x A E A

∉ ∧ ∈ · ⇒ ⊂

NOCIÓN DE PROBABILIDAD
El concepto de probabilidad ha evolucionado a lo largo del tiempo, y ha pasado por diversas

formas de presentación. La noción actual de probabilidad es el resultado de una evolución

histórica en la que el sentido del término se ha ido delimitando y enriqueciendo con distintas

aportaciones.
1. Probabilidad de Laplace o Clásica
Si un experimento cualquiera puede dar un número finito de resultados posibles, y no

existe

ninguna

razón

que

de

privilegio

unos

resultados

en

contra

de

otros

–tiene

la

estructura de un juego de azar- se calcula la probabilidad de un proceso aleatorio A, según

Capitulo 1

Probabilidad
la regla de Laplace
1

como el cociente entre el número de casos favorables a A, y el de todos

los posibles resultados del experimento:
[

]
posibles casos de número
A a favorables casos de número
A P

·
Ejemplo
Calcular la probabilidad de que al lanzar un dado se obtenga un número impar.
Solución: El experimento aleatorio es

ε
: Lanzar un dado,

el espacio muestral es

=
{

¦ 6 , 5 , 4 , 3 , 2 , 1
. Vamos a llamar al suceso A:

el resultado sea impar. Por tanto A=
{

¦ 5 , 3 , 1
.

Como

no

suponemos

que

ninguna

de

las

caras

ofrece

una

probabilidad

de

ocurrencia

diferente a las demás (el dado no está trucado), podemos aplicar la regla de Laplace para

obtener:
[

]
posibles casos de número
A a favorables casos de número
A P

·
E en elementos de número
A en elementos de número
·
{

¦
{

¦ 2
1
6
3
6 , 5 , 4 , 3 , 2 , 1 en elementos de número
5 , 3 , 1 en elementos de número
· · ·
2. Probabilidad Frecuencial o Empirica
En los experimentos aleatorios se observa que cuando el

número de experimentos

aumenta,

las

frecuencias

relativas

con

las

que

ocurre

cierto

suceso

A,

en

ensayos

denotémoslas por

) A f
n
(

)
n
n
n

A de s ocurrencia de número
A f

i
n

· ·
Tiende a converger hacia cierta cantidad que denominaremos probabilidad de A:
[

)
n
n
A f A P

i
n
n
n

∞ → ∞ →
· · lim lim rob
Esta es la noción intuitiva o frecuencial de probabilidad. Fue establecida por autores

como

el

inglés

Ronald

A.

Fisher

(1890-1962)

el

autor

Richard

von

Mises

(1883-1953).

El Marqués de Laplace (1789-1827) establece la definición clásica de probabilidad en su obra Théorie analytique des

probabilites. 1812.
4

Capitulo 1

Probabilidad
Kerrich, en su obra An experimental introduction to the theory of probability explica como lo

verificó experimentalmente siendo prisionero durante la segunda guerra mundial. Realizó un

experimento consistente en arrojar una moneda en diez conjuntos de mil tiradas cada uno, y

tras contabilizar el número de caras, obtuvo un valor próximo a la frecuencia esperada: ½.
En nuestro caso y para seguir con el ejemplo del lanzamiento de un dado vamos a simular

mediante el programa EXCEL, a través su función aleatoria (=ALEATORIO.ENTRE(1;6)), el

lanzamiento de un dado 500 veces y vamos a ver las veces que aparece el valor seis (6), es

decir en cada oportunidad vamos a calcular el valor respectivo de la probabilidad de obtener

un seis. En la figura siguiente se presenta la evolución de la frecuencia relativa del número

de

seis

obtenido

en

el

lanzamiento

de

una

moneda

en

500

ocasiones.

En

principio

la

evolución de las frecuencias relativas es errática, pero a medida que el número de tiradas

aumenta, tiende a acercarse al valor esperado.
5

Capitulo 1

Probabilidad
3. Probabilidad Subjetiva
Cuando se estudian fenómenos aleatorios en los que no hay posibilidad de repetición

experimentación,

la

probabilidad

subjetiva

es

la

cuantificación

(subjetiva,

por

supuesto)

que una persona (o un grupo) hace de un evento, utilizando la información que posee.
Esta

conceptualización

de

la

probabilidad

es

muy

aplicada

en

la

empresa,

es

utilizada por la estadística bayesiana, la teoría de la decisión y la teoría de los juegos. Ha

sido tratada por autores como Keynes (1921), Ramsey (1926), de Finetti (1937), Koopman

(1940) y Savage (1954).
Barbancho

en

Estadística

Elemental

moderna

expone

la

siguiente

visión

sobre

la

probabilidad subjetiva:

los

estadísticos,

en

fechas

más

recientes

] ...

han

acudido al

concepto de

la

denominada

probabilidad subjetiva, mediante la cual cada persona, o grupo de personas, asigna a un evento un

número

que

está

en

función

de

la

verosimilitud

percibida

sentida

sobre

dicho

evento,

que

expresa el “grado de creencia” racional depositada en él. Este número puede ajustarse a cualquier

suerte

de

propiedades;

lo

más

lógico,

es

lo

que

sucede,

es

que

estas

propiedades

de

la

probabilidad subjetiva sean las tres que se cumplen para la probabilidad clásica y la probabilidad

frecuencial , a saber, la no negatividad, la certeza y la aditividad.
4. Probabilidad axiomática o de Kolmogorov
El concepto axiomático de probabilidad fue formulado por Kolmogorov en 1933
2
. Para

ello

precisó

ciertas

leyes

axiomas

que

debe

cumplir

una

función

de

probabilidad.

Los

axiomas deberían implicar, entre otras, las siguientes cuestiones:
1. La

probabilidad

solo

puede

tomar

valores

comprendidos

entre

(es

no

negativa).

) 0 1 , 0 :

≥ ⇒ ⊂ ∀ ∴ →

A P E A E P
2. La probabilidad del suceso seguro es 1.

) 1 · E P

A. Kolgomorov, Grundbegrife der Wahrscheinlichkeitrsechnung (1933). Ed. Springer. Berlín. Hay una traducción inglesa

de N. Morrison, Foundations of the theory of probability (1956). Ed. Chelsea. New York
6

Capitulo 1

Probabilidad
3. La

probabilidad

de

dos

mas

sucesos

incompatibles

(unión

numerable

de

sucesos

disjuntos),

es

decir

de

intersección

vacía,

debe

ser

la

suma

de

sus

probabilidades respectivas.

]


·

·
· + + + ·
]
]
]

⇒ ∈
1
2 1
1
2 1
...... .... .......... ,..... ,......, ,
i

i
i

A P An P A P A P A P E An A A
Curiosamente, con solo estas tres leyes tenemos suficiente para obtener todas las reglas

que se esperan de una función de probabilidad:
1
A
2
A
3
A
4
A
5
A
A
[

] ....
2 1
A .....
2 1
A

+ + · ⇒ · ∩ ∪ ∪ ·

A P A P P
j
A
i
A y A A

φ
EL

TERCER

AXIOMA

DE

LA

PROBABILIDAD

INDICA

QUE:
1
A
2
A
3
A
4
A
5
A
A
[

] ....
2 1
A .....
2 1
A

+ + · ⇒ · ∩ ∪ ∪ ·

A P A P P
j
A
i
A y A A

φ
EL

TERCER

AXIOMA

DE

LA

PROBABILIDAD

INDICA

QUE:
4. La probabilidad de la intersección de dos sucesos es menor o igual que la probabilidad de

cada uno de los sucesos por separado, es decir,
[

] A P B A P

≤ ∩

] B P B A P

≤ ∩
5.

La probabilidad de la unión de sucesos es mayor que la de cada uno de los sucesos por

separado:
[

] A P B A P

≥ ∪

] B P B A P

≥ ∪

Más aún, si los sucesos son disjuntos (incompatibles) ocurre que
7

Capitulo 1

Probabilidad
[

] B P A P B A P B A

+ · ∪ ⇒ · ∩ 0
6.

La probabilidad del suceso contrario a

A, es

]. 1

A P A P

− · ,

lo cual se deduce de

las

tres primeras propiedades

] A P A P A P A P A A P E P

− · ⇒ + · ∪ · · 1 1
7. La probabilidad del conjunto vacío es cero, ya que:

] 0 1 1 1 1

· − · − · − ·

E P P P

φ φ
Lo esbozado en los puntos anteriores indica ciertas propiedades que debe cumplir

una Función de Probabilidad , que de manera verbal podemos resumir como: la función de

probabilidad debe calcularse sobre subconjuntos de

E; no es estrictamente necesario que

sean

todos,

pero

es

necesario

que

si

se

puede

calcular

sobre

un

conjunto,

se

pueda

hacer también sobre su complementario, y que si se puede calcular sobre dos conjuntos A y

B,

también

se

puede

calcular

sobre

su

unión

su

intersección.

Cabe

señalar,

como

lo

destaca la definición axiomática de la

probabilidad de Kolgomorov, que bastan solo las

tres primeras propiedades para

obtener las

restantes como

una

simple consecuencia, tal

como se dedujeron algunas de las últimas propiedades anteriores.
El grafico que se presenta a continuación resume los tipos de probabilidad esbozados

y su estrategia para abordar su cálculo.
ESTRATEGIA DEL CALCULO DE PROBABILIDAD
OBJETIVAS
SUBJETIVAS
CON BASE A LA INFORMACION
DISPONIBLE
PROBABILIDAD CLASICA PROBABILIDAD EMPIRICA
CON BASE EN LOS
RESULTADOS

IGUALMENTE

PROBABLES
PROBABILIDAD

AXIOMATICA
CON BASE EN LAS
FRECUENCIAS
RELATIVAS
ESTRATEGIA DEL CALCULO DE PROBABILIDAD
OBJETIVAS
SUBJETIVAS
CON BASE A LA INFORMACION
DISPONIBLE
PROBABILIDAD CLASICA PROBABILIDAD EMPIRICA
CON BASE EN LOS
RESULTADOS

IGUALMENTE

PROBABLES
PROBABILIDAD

AXIOMATICA
CON BASE EN LAS
FRECUENCIAS
RELATIVAS
8

Capitulo 1

Probabilidad
PROBABILIDAD CONDICIONADA E INDEPENDENCIA DE SUCESOS
Sea

E B ⊂ un suceso aleatorio de probabilidad no nula,

] 0 > B P
. Para cualquier otro

suceso

E A ⊂ , llamamos probabilidad condicionada de

por

B , a la cantidad que

representamos mediante

] B A P /

y que se calcula como:
[

]
[

] B P

B A P
B A P E A


· ⇒ ⊂ /
Ejemplo

Se lanza un dado al aire:
a) ¿cuál es la probabilidad de que salga el número 4?
b) Si sabemos que el resultado ha sido un número par, y no disponemos de más

información ¿se ha modificado esta probabilidad?
Solución
El espacio muestral que corresponde a este experimento es:
{

¦ 6 , 5 , 4 , 3 , 2 , 1 · E
a) Hemos de calcular la probabilidad del suceso

¦ 4 A ·
. Si el dado no está

trucado, todos los números tienen la misma probabilidad de salir, y siguiendo la definición de

probabilidad de Laplace,

¦
{

¦ 6
1
6 , 5 , 4 , 3 , 2 , 1
4
4

· · · ·
en elementos de número

en elementos de número
posibles casos
favorables casos
A P P

Obsérvese que para calcular la probabilidad de A según la definición de Laplace,

hemos tenido que suponer previamente que todos los elementos del espacio muestral

tienen la misma probabilidad de salir, es decir:
[

] 6 P 5 P 4 P 3 P 2 P 1 P

· · · · ·
b) Por otro lado, si sabemos que ha salido un número par, de nuevo por la

definición de laplace tenemos

]
{

¦ 3
1
6 , 4 , 2
4
/ 4

· · ·
en elementos de número

en elementos de número
posibles casos

favorables casos
Par P
Esta

misma

probabilidad

se

podría

haber

calculado

siguiendo

la

definición

de

la

probabilidad condicionada, ya que si
9

Capitulo 1

Probabilidad
{

]
6
1
4

· ⇒ ·

A P A
{

]
2
1
6
3
6
1
6
1
6
1
6 , 4 , 2

· · + + · ⇒ ·

B P B

]
6
1
4

· ∩ ⇒ · ∩

B A P B A
Entonces:
[

]
[

] 3
1
6
2
2
1
6
1
/

· · ·

·
B P

B A P
B A P ,
que por supuesto coincide con el mismo valor que calculamos usando la definición de

probabilidad de Laplace.
Tambien podríamos considerar la probabilidad inversa de ocurrencia de los eventos

anteriores:

]
[

]
[

]
[

]
1
6
1
6
1
/

· ·

·

·
A P

B A P
A P

A B P
A B P
Lo cual nos indica que obtener un número par al lanzar un dado, dado que salio un cuatro

es un suceso seguro,

que denotaremos por:

) 1 · ·

E P S P
Obsérvese que según la definición de probabilidad condicionada, la probabilidad de

la intersección de dos sucesos de probabilidad no nula se puede escribir como:
[

]
[

]
¹
'
¹
· ∩
B A P B P

A B P A P
B A P
/ .
/ .
O sea, la probabilidad de la intersección de dos sucesos, es la probabilidad de uno

cualquiera de ellos, multiplicada por la probabilidad del segundo sabiendo que ha ocurrido el

primero.
10

Capitulo 1

Probabilidad
Si entre dos sucesos no existe ninguna relación cabe esperar que la expresión “sabiendo

que”

no

aporte

ninguna

información.

De

este

modo

introducimos

el

concepto

de

independencia de dos sucesos A y B como:
[

] B P A P B A P B de nte independie es A . · ∩ ⇔
Esta relación puede ser escrita de modo equivalente cuando dos sucesos son de

probabilidad no nula como:

]
[

]
[

]
¹
¹
¹
'
¹
·
·
⇔ ≠ ≠
B A P A P B P

e e

t o

A B P A P A P
B P A P B d

e n

e i

e e

s A
/
/
0
OPERACIONES CON PROBABILIDAD (reglas elementales del cálculo de probabilidades)
1.) REGLA DEL SUCESO CONTRARIO:
[

] A P A P

− ·1

2.) PROBABILIDAD CONDICIONADA DEL SUCESO CONTRARIO:
[

] B A P B A P / 1 /

− ·
3.) PROBABILIDAD DEL EVENTO SUMA
Dados dos eventos o sucesos

E ,

⊂ B A
, que no son excluyentes (no

necesariamente disjuntos), es decir que se pueden dar simultáneamente ambos a la vez,

entonces la probabilidad del evento suma

] B A P B P A P B A P B P A P B A P B A P B A P . − + · ∩ − + · + · ∨ · ∪
11

Capitulo 1

Probabilidad
Si los sucesos A

B , son disjuntos es decir

φ · ∩B A

, se dice que los eventos son

mutuamente excluyentes siendo en consecuencia la probabilidad suma:

] B P A P B P A P B A P B A P B A P

+ · + · + · ∨ · ∪
La forma de leer esta notación es:

] B A P

probabilidad

de la unión de los eventos

B ó A
[

] B A P

probabilidad de que ocurran los eventos

B ó A
[

] B A P

probabilidad de que ocurran los eventos

B ó A

, o probabilidad de la

suma de eventos. De ahora en adelante será esta última notación la que utilizaremos de

aquí en adelante.
4.) PROBABILIDAD DEL EVENTO PRODUCTO
Sean dos eventos o sucesos

E ,

⊂ B A
,

no necesariamente disjuntos, entonces la

probabilidad de su intersección es:

]
[

]
[

]
¹
¹
¹
'
¹
· ∩
B A P B P
A B P A P
B A P
/
/
Si los sucesos son independientes es decir

φ · ∩B A

entonces:

] B P A P B A P B A P B A P * *

· · ∧ · ∩
[

] B A P

Probabilidad

de la intersección de los eventos

B y A
[

] B A P

Probabilidad de que ocurran los eventos

B y A
[

] B A P *

Probabilidad de que ocurran los eventos

B y A

, o probabilidad del

producto

de

los

eventos.

De

ahora

en

adelante

será

esta

última

notación

la

que

utilizaremos de aquí en adelante.
Ejemplos.

Para una determinada elección primaria de un candidato de determinado partido, se sabe

que el 50% de los militantes votarían por “A”, el 20 % lo harían por “B” y el 5% lo haría por

cualquiera de los dos, es decir por

“A”

por

“B”.

a.) ¿Cuál es la probabilidad de encontrar

militantes que voten por algún candidato?
b.) ¿Cuál es la probabilidad de encontrar militantes que no voten por ninguno de los

dos?
Solución:

a.)

] 05 , 0 * 2 , 0 5 , 0

· · ·

B A P y B P A P

luego:
12

Capitulo 1

Probabilidad

] 65 , 0 05 , 0 2 , 0 5 , 0 *

· − + · − + · +

B A P B P A P B A P

b.)

] 35 , 0 65 , 0 1 1 ] * [

· − · + − ·

B A P B A P
EJERCICIOS RESUELTOS
1) Un

accionista

compra

en

la

bolsa

tres

acciones

diferentes.

La

probabilidad

de

que

la

primera aumente su valor es de

1/3,

la probabilidad de que la segunda aumente es 3/4

y la probabilidad de que la tercera aumente de 1/10. Determine la probabilidad de que:
a) Todas aumenten de valor
b) Ninguna aumente de valor
c) Una aumente su valor
d) Dos aumenten su valor
e) Por lo menos dos aumenten su valor
f) Por lo menos una aumente su valor

) 3 / 2 P 3 / 1 P ; ;

· ·

A A aumenta no A Aumenta A

) 4 / 1 P 4 / 3 P ; ;

· ·

B B aumenta no B Aumenta B

) 10 / 9 P 10 / 1 P ; ;

· ·

C C aumenta no C Aumenta C

a)

) 0,025
120
3
10
1
4
3
3
1
P P P P

· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·

C B A ABC

b)

) 0,15
120
18
10
9
4
1
3
2
P P P P

· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·

C B A C B A

c)

)
(

)
(

)
[

] 0,017 0,45 0,075 0,542
120
65
120
2
120
54
120
9
su valor aumente Una P
0,017
120
2
10
1
4
1
3
2
P P P P
0,45
120
54
10
9
4
3
3
2
P P P P
0,075
120
9
10
9
4
1
3
1
P P P P
+ + · · · + + ·
· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·
· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·
· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·
C B A C B A
C B A C B A
C B A C B A
13

Capitulo 1

Probabilidad

d)

)
(

)
(

)
[

] 0,05 0,008 0,225 0,283
120
34
120
6
120
1
120
27
su valor aumente Una Pr
0,05
120
6
10
1
4
3
3
2
P P P P
0,008
120
1
10
1
4
1
3
1
P P P P
0,225
120
27
10
9
4
3
3
1
P P P P
+ + · · · + + ·
· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·
· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·
· ·

,
`

.
|

,
`

.
|

,
`

.
|
· ·
C B A BC A
C B A C B A
C B A C AB

e)

]
0,308
120
37
120
3
120
34

su valor aumenten

3 Pr su valor aumenten

2 Pr su valor aumenten

2 menos lo Por

Pr
· · + ·
+ ·

f)

]
0,15 - 1 0,85
120
102
120
18
1 su valor aumente Ninguna Pr 1 su valor aumente 1 menos lo Por

Pr
· · ·
− · − ·
2) Diez unidades de producción se seleccionan de una línea de producción. Tres de estas

10 son defectuosas. Si se deben sacar 5 de las 10, ¿Cuál es la probabilidad de que 2

sean defectuosas?

Una forma de resolverlo es por probabilidades condicionadas:

]
[

]
0,04167
30240
1260
6
2
7
3
8
5
9
6
10
7
* * * / P * * / P * / P / P P
P P P P P P
· ·

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|
·
·
·
B B B B B B B B B B B B B B B

B B B B B B B BBB
Pero lo anterior puede darse de 10 formas distintas, a saber:
B B B BB BB B B B BBB B B B B B B B BB B B B B B BB B B BBB B B BB B B B B B BB B B BBB , , , , , , , , ,
Luego:

) 0,4167 0,04167 10 2 ; 5

· · s defectuosa sean De P
Otra

forma

es

usando

combinatoria

para

encontrar

el

espacio

de

todos

los

resultados

posibles (espacio muestral):
Los casos en los cuales podemos obtener tres piezas buenas y dos defectuosas es:

) 105 3 35
3
2
7
3

· · C C
Y el total de casos que podemos obtener es de :

252
10
5

· C
Por tanto la probabilidad pedida es:

] (41,67%) 0,4167
252
105
· · · s defectuosa dos y buenas tres Obtener P
14

Capitulo 1

Probabilidad
3) El presidente debe seleccionar 5 miembros de una lista de doce diputados, de los cuales

7 lo apoyan y 5 le hacen oposición. Si el selecciona al azar, ¿Cuál es la probabilidad de

que la mayoría del comité apoye al presidente?.
Hay tres formas de plantear el problema:
La

primera

manera

es

buscando

todas

las

formas

posibles

en

que

el

presidente

tenga

mayoría, que es cuando tiene en el comité tres, cuatro o cinco (todos) que lo apoyan. En

este caso buscamos todas las posibilidades en que se pueden combinar los 12 miembros

tomados

de

en

5,

792
12
5

· C .

Luego

buscamos

todas

las

posibilidades

en

que

tiene

mayoría:
Con tres a favor

) 350 10 35
5
2
7
3

· · C C

casos
Con cuatro a favor

) 175 5 35
5
1
7
4

· · C C

casos
Con todos a favor

) 21 1 21
5
0
7
5

· · C C

casos.

En total

546

casos a favor, luego la probabilidad buscada

es:

] (68,94%) 0,6894
792
546
· · presidente al apoye Mayoría P

Segunda forma: Es muy semejante a la primera solo que se calculan las probabilidades

individuales para cada caso en mayoría y estas se suman:
[

]
(68,94%) 0,6894
792
546
792
21
792
175
792
350
5 4 3
· · + + ·
+ + ·

favor a favor a favor a presidente al apoye Mayoría P
Y la tercera forma es usando las probabilidades condicionadas:
Identificamos un caso cuando tres están a favor (F) y dos en contra (

)
[

]
[

]
0,0442
95040
4200
8
4
9
5
10
5
11
6
12
7
* * * / P * * / P * / P / P P
P P P P P P
· ·

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|
·
·
· ·
F F F F F F F F F F F F F F F

F F F F F F F FFF
Pero tenemos que estudiar las diferentes formas en que este suceso se puede dar o

permutar:

F F F FF FF F F F FFF F F F F F F F FF F F F F F FF F F FFF F F FF F F F F F FF F F FFF , , , , , , , , ,
es de

10 maneras posibles, luego:
[

) 0,4419 0,0442 10 3 ; 5

· · presidente al apoyen De P
De la misma forma para el caso de que 4 lo apoyen y solo uno este en contra:
[

] 0,0442
95040
4200
8
5
9
4
10
5
11
6
12
7
P P P P P P

· ·

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|

,
`

.
|
· ·

F F F F F F F FFF
Habiendo solo 5 formas de hacer esto:
, , , , ,

FFFF F FFF F F FF F FF F F FFF F FFFF
, luego
[

) 0,2210 0,0442 5 4 ; 5

· · presidente al apoyen De P
15

Capitulo 1

Probabilidad
Y por último el caso en que todos están con el presidente:
FFFFF , un solo caso en cuyo caso

) 0,0265 0,0265 1 5 Pr

· · presidente al apoyen Los
Y sumando las

tres probabilidades

tenemos:
[

] (68,94%) 0,6894 0,0265 0,2210 4419 , 0

· + + · presidente al apoye Mayoría P
TABLAS DE CONTINGENCIA Y PROBABILIDAD
Una tabla de contingencia permite identificar las frecuencias asociadas con cada una de

las

categorías

de

una

variable

(variable

fila

X),

con

cada

una

de

las

categorías

de

una

segunda variable

(variable columna Y). Cada intersección de fila con columna nos da el

número de individuos que poseen simultáneamente el valor del atributo x en la variable fila

X, y el valor del atributo

en la columna

Y.

EJEMPLOS:

1.)

La

siguiente

tabla

de

contingencia,

de

los

500

empleados

de

una

empresa,

según

clasificación de los empleados por sexo:
TABLA DE FRECUENCIAS
Genero
Clasificación de los empleados
TOTAL
(A)dministrativ
o

(O)perativo

(S)ervicios

(H)ombres

120 150 30 300
(M)ujeres

50 140 10 200
TOTAL 170 290 40 500
Los valores en los márgenes

derecho e inferior se denominan frecuencias marginales.

Por

ejemplo

la

frecuencia

marginal

de

300

hombres,

está

conformada

por

120

de

Personal, 150 de Línea y 30 Auxiliares. Asociada a esta tabla podemos construir una

tabla de probabilidad asociada como la siguiente:
TABLA DE PROBABILIDADES
Clasificación de los empleados TOTAL
16

Capitulo 1

Probabilidad
Genero (A)dministrativo

(O)perativo

(S)ervicios

(H)ombres

0,24 0,30 0,06 0,60
(M)ujeres

0,10 0,28 0,02 0,40
TOTAL 0,34 0,58 0,08 1,00
Los valores a los márgenes de la tabla se denominan probabilidades marginales. Cada

celda del cuerpo de la tabla representa la probabilidad de intersección de los dos eventos

categorías

asignadas

cada

una

de

las

variables,

por

ejemplo

la

probabilidad

de

seleccionar

al

azar

un

miembro

del

personal

sea

Hombre

Administrativo

es

] 24 , 0 .

· A H P
.

Una

probabilidad

marginal

puede

hallarse

como

la

suma

de

las

probabilidades conjuntas correspondientes, por ejemplo:

] 60 , 0 06 , 0 30 , 0 24 , 0 . . .

· + + · + + ·

S H P O H P A H P H P
Consideremos ahora el cálculo de las siguientes probabilidades:
a) Que el personal sea Administrativo u Operativo

] 92 , 0 58 , 0 34 , 0

· + · + · +

O P A P O A P
b) Que el personal sea Administrativo u Hombre

] 70 , 0 24 , 0 60 , 0 34 , 0 *

· − + · − + · +

H A P H P A P H A P
c) Dado que el

personal

es Mujer cual

es la probabilidad de que pertenezca al

personal administrativo

]
[

]
25 , 0
40 , 0
10 , 0 *
/

· · ·
M P

M A P
M A P
d) Dado

que

el

personal

es

Administrativo,

cual

es

la probabilidad

de

que

sea

Mujer

] 29 , 0
34 , 0
10 , 0
) (
) * (
/

· · ·
A P

M A P
A M P
2.)

Con

relación

la

opinión

de

aprobar

una

reforma

la

constitución

de

un

país

se

entrevistan 100 personas entre jóvenes (17-35 años de edad) y adultos (mayores de 35

años),

en

cada

una

de

cuatro

zonas

diferentes

de

una

barriada,

obteniéndose

los

siguientes resultados:

ZONA

A ZONA

B ZONA

C ZONA

D
EDAD (S)I (N)O TOTAL EDAD (S)I

(N)O TOTAL EDAD (S)I

(N)O TOTAL EDAD (S)I

(N)O TOTAL
JOV. (J) 40 30 70 JOV. (J) 60 10 70 JOV. (J) 30 40 70 JOV. (J) 42 28 70
ADUL. (A) 20 10 30 ADUL. (A) 0 30 30 ADUL. (A) 30 0 30 ADUL. (A) 18 12 30
17

Capitulo 1

Probabilidad
TOTAL

60 40 100 TOTAL

60 40 100 TOTAL

60 40 100 TOTAL

60 40 100
Vamos a suponer que escogemos al azar una persona de la Zona A, y descubrimos que es

joven.

¿Cuál

es

la

probabilidad

de

que

se

decida

por

el

Sí?

Esto

puede

escribirse

en

términos

de

probabilidades

como:

]
7
4
70
40
/

· · J S P
.

También

si

usamos

la

formula

de

probabilidad

condicional

obtendríamos:

]
[

] 7
4
100 70
100 40 *
/

· · ·
J P

J S P
J S P
,

el

mismo

resultado. Consideremos ahora la tabla correspondiente a la Zona B , aquí todos los que

están

de

acuerdo

con

la

opción

Sí,

son

jóvenes,

Así

hay

una

relación

obvia

(no

necesariamente causal). También existe una relación entre estas variables en la opción de

la

Zona

C,

en

este

caso

todos

los

que

son

jóvenes

dijeron

No.

Sin

embargo

cuando

apreciamos

la Zona

D, aquí el

panorama es muy diferente. Aquí no existe una relación

aparente. Por ejemplo el 60% de todas las personas se han decidido por el Sí y también el

60%

,
`

.
|
70
100 * 42

de los que son jóvenes se han decidido por el Sí. De igual forma el 70% de

todas las personas son jóvenes, y exactamente el 70%

,
`

.
|
40
100 * 28
de las personas que se

manifestaron por el No, son jóvenes. De igual forma también se comportan la comparación

entre

el

30%

que

conforman

las

personas

adultas

el

40%

de

las

personas

que

se

manifestaron por el No. De esta manera se aprecia que no hay ninguna indicación de que

las

características

de

opinar

ser

jóvenes

tengan

alguna

relación

entre

si.

Evidentemente,

la

última

tabla

considerada

fue

tomada

de

esta

manera

para

que

exhiba

esta propiedad. ¿Cómo buscaríamos estos resultados, sin alterar las marginales?
Simplemente aplicando la ecuación

de

independencia

de

dos eventos:

)
100
42
100
70
100
60
. *

· · ·

J P S P J S P
. Las

demás celdas se calculan de manera semejante. En este

caso

decimos

que

existe

independencia

entre

los

factores

de

opinión

loa

rangos

de

edades

de

las

personas.

Otra

forma

sencilla

de

verificar

que

en

una

tabla

bidimensional

existe

independencia

entre

los

factores

que

la

definen

es

ver

si

las

filas

(columnas)

son

ZONA

D
EDAD (S)I

(N)O TOTAL
JOV. (J) 42 70
ADUL. (A) 30
TOTAL

60 40 100
18

Capitulo 1

Probabilidad
combinaciones lineales de las otras filas (columnas), es decir si se pueden obtener las filas

(columnas) mediante la multiplicación de algún factor fijo por otra fila (columnas). En este

caso

si multiplicamos cada elemento de la fila 2 por el factor

3 7
,

obtenemos el elemento

correspondiente de la fila 1, de manera semejante si multiplicamos la columna 2 por el factor

2 3

obtenemos la primera columna.
En la mayor parte de las aplicaciones y/o ejercicios supondremos la independencia de los

sucesos

B ,

luego

usaremos

esta

hipótesis

para

calcular

] B A P *
,

mediante

) B P A P .
.

Generalmente,

las

condiciones

físicas

bajo

las

cuales

se

realiza

el

experimento

harán

posible

determinar,

si

tal

suposición

es

justificada

al

menos

aproximadamente justificada.

EJERCICIOS PROPUESTOS
1) En

una

encuesta

de

expertos

se

entrevistaron

500

economistas

de

la

Academia, la Industria privada y el Gobierno y una de las preguntas era “si la economía

del país podría: ser Estable, Expandirse

o podría entrar en un período de Contracción en

el futuro próximo (doce meses)”. Sin embargo, parte de la información se perdió debido a

fallas de tabulación, resultando la siguiente tabla de contingencia parcial:
Economistas
Curso de la economía
TOTAL
E(S)table (E)xpansión

( C)ontracción
(A)cademia 125 100
(I)ndustria Privada 35 110
(G)obierno 25 40 65
TOTAL 200

Cree una tabla de probabilidad y encuentre las siguientes probabilidades:
a)
) ( A P

b)
) (G P

c)
) (

G A P

d)

) (

C A P

e)

) * (

S A P

f)

) * (

E A P

g)
) * (

C G P

h)

) / (

A E P

i)

) / (

E A P
2.) En un estudio sobre los niveles de pobreza de un poblado, se tomo una muestra de 120

hogares, obteniéndose la siguiente clasificación de pobreza de acuerdo al nivel educativo

de la población, esbozada en la siguiente tabla, la cual

no aparece completa debido a

fallas en la tabulación de los datos:
19

Capitulo 1

Probabilidad
NIVEL
EDUCATIVO
POBRE
(E)XTREMO (P)OBRE (N)O

POBRE TOTAL
(B)ASICA 10 20 40
(S)ECUNDARIA 20
(U)NIVERSITARIA 10 20
TOTAL 20 60

Se pide:
a)
) (B P

b)
) * (

S E P

c)
) * (

U N P

d)

) * (

P B P
Solución:

a)

0,332

b)

0,083

c)

0,083

d)

0,167

TEOREMAS FUNDAMENTALES DEL CÁLCULO DE PROBABILIDADES
Para calcular probabilidades cuando el suceso seguro está descompuesto en una

serie de sucesos incompatibles de los que conocemos sus probabilidades (ver figura),

necesitamos introducir la siguiente definición.

PARTICI ÓN

DEL

ESPACIO

MUESTRAL

E
1
A
2
A
3
A
4
A
5
A
E
B
PARTICI ÓN

DEL

ESPACIO

MUESTRAL

E
1
A
2
A
3
A
4
A
5
A
E
B
1
A
2
A
3
A
4
A
5
A
E
B
Definición. Se dice que una colección

E ,...... ,
2 1


n
A A A

de sucesos o eventos,

es

un sistema exhaustivo y excluyente de sucesos si se verifican las siguientes relaciones:
a.)

E
1

·
·
n
i

i
A

b.)

j i A A

j i

≠ ∀ · ∩

φ
, es decir son disjuntos dos a dos.
20

Capitulo 1

Probabilidad
Teorema de la probabilidad total o de la partición
Sea

E ,...... ,
2 1


n
A A A
,

un sistema exhaustivo y excluyente de sucesos, entonces

]
i
n
i

A B P A P B B / . P

E
1

·
· ⇒ ⊂ ∀

Demostración:
[

]
i i
n
i
i
n
i
n
i

i
n
i

A B P A P A B P A B P A B P B P B P / . E
1 1 1 1

∑ ∑
· · · ·
· ∩ ··
]
]
]

∩ ·
]
]
]

,
`

.
|
∩ · ∩ ·


Ejemplo:

Para integrar una comisión se quieren seleccionar candidatos de dos toldas políticas “A”

“B”, de dos diferentes comités seccionales:

1
S

2
S
, utilizando un mecanismo aleatorio,

vale decir usando un dado, se lanza este y si

sale alguna cara 3,4,5 o 6 , se escoge un

candidato para la comisión de la seccional 1, que está integrada por 2 militantes del partido

“A” y 3 militantes del partido “B”; de lo contrario se escogerá un candidato de la seccional 2,

que está integrada a su vez por 6 militantes del partido “A” y 2 Militantes del partido “B”.

a.) ¿Cuál es la probabilidad de que el elegido sea del partido “A”?
b.) ¿Cuál es la probabilidad de que sea del partido “B”?
SOLUCIÓN:
En estos casos siempre es conveniente introducir un diagrama de árbol que nos representa

la composición y las respectivas probabilidades de selección como se aprecia en el gráfico:

21

Capitulo 1

Probabilidad

¦ [

] 6 / 2 2 , 1
2

· · P S P
[

¦ [

] 6 / 4 6 , 5 , 4 , 3
1

· · P S P
[

] 5 / 2 /
1

· S A P
[

] 5 / 3 /
1

· S B P
[

] 8 / 6 /
2

· S A P
[

] 8 / 2 /
2

· S B P
[

] 27 , 0
30
8
5
2
6
4
/ *
1 1 1

· · · ·

S A P S P A S P
[

] 4 , 0
30
12
5
3
6
4
/ *
1 1 1

· · · ·

S B P S P B S P
[

] 08 , 0
48
4
8
2
6
2
/ *
2 2 2

· · · ·

S B P S P B S P
[

] 25 , 0
48
12
8
6
6
2
/ *
2 2 2

· · · ·

S A P S P A S P
SELECCIÓN

DEL

COMITÉ
MEDIANTE EL

DADO
SELECCION

POR

PARTIDO
DIAGRAMA DE ÁRBOL
PROBABILIDAD PRODUCTO
[

¦ [

] 6 / 2 2 , 1
2

· · P S P
[

¦ [

] 6 / 4 6 , 5 , 4 , 3
1

· · P S P
[

] 5 / 2 /
1

· S A P
[

] 5 / 3 /
1

· S B P
[

] 8 / 6 /
2

· S A P
[

] 8 / 2 /
2

· S B P
[

] 27 , 0
30
8
5
2
6
4
/ *
1 1 1

· · · ·

S A P S P A S P
[

] 4 , 0
30
12
5
3
6
4
/ *
1 1 1

· · · ·

S B P S P B S P
[

] 08 , 0
48
4
8
2
6
2
/ *
2 2 2

· · · ·

S B P S P B S P
[

] 25 , 0
48
12
8
6
6
2
/ *
2 2 2

· · · ·

S A P S P A S P
SELECCIÓN

DEL

COMITÉ
MEDIANTE EL

DADO
SELECCION

POR

PARTIDO
DIAGRAMA DE ÁRBOL
PROBABILIDAD PRODUCTO
Dado que

1
S

2
S

forman un sistema exhaustivo y excluyente de sucesos o partición,

entonces:
a.) la probabilidad de que el elegido

sea del partido

“A”

es:

] 52 , 0 25 , 0 27 , 0 / /
2 2 1 1

· + · + ·

S A P S P S A P S P A P

b.) la probabilidad de que el elegido

sea del partido

“B”

es:

] 48 , 0 08 , 0 4 , 0 / /
2 2 1 1

· + · + ·

S B P S P S B P S P B P
Es interesante apreciar que el mecanismo de la selección del dado hace más representativa

la participación de los partidos en la comisión, favoreciendo en este caso al partido con

menor número de militantes en las seccionales.
Teorema de Bayes o de la probabilidad inversa

3
3

Enunciado por el reverendo Thomas Bayes (1702-1761), fundamenta la estadística bayesiana y sienta los

principios de la teoría de la decisión en base a la concepción subjetivista de la probabilidad.
22

Capitulo 1

Probabilidad
Si

E ,..., ,
2 1


n
A A A

es un sistema exhaustivo y excluyente de sucesos (partición de

E) y

E ⊂ B

un suceso del que conocemos todas las cantidades

] , ,..., 1 , /

n i A B P

las que denominamos verosimilitudes, entonces se verifica:
[

]
[

]
, ,..., 1
/ .
/ .
/
1
n j
A B P A P
A B P A P
B A P
i
n
i

i
j j
j

· ∀ ·

·
Demostración:

es

una

consecuencia

de

la

definición

de

probabilidad

condicionada

en

términos de la intersección, y del teorema de la probabilidad total:
[

]
[

]
[

]
[

]
i
n
i

i
j j j
j
A B P A P
A B P A P
B P

B A P
B A P
/ .
/ .
/
1

·
·

·
Ejemplo

Una empresa compra cierto tipo de pieza que es suministrada por tres proveedores:

el 45% de las piezas son compradas al primer proveedor resultando defectuoso el 1%. El

segundo proveedor suministra el

30% de las piezas, y de ellas es defectuoso el

2%. Las

restantes piezas provienen del tercer proveedor, siendo defectuoso el 3% de las mismas.
En

un

control

de

recepción

de

artículos

se

selecciona

una

pieza

al

azar

es

defectuosa. Calcular la probabilidad de que la haya suministrado el segundo proveedor.
Solución:

observemos

que

cada

una

de

las

piezas

procede

de

uno

solo

uno

de

los

proveedores (sistema exhaustivo y excluyente de sucesos). Vamos a llamar

A1,

A2

y A3

al

suceso

de

que

la

pieza

seleccionada

provenga

del

primer,

segundo

tercer

proveedor

respectivamente.
Sea B

el suceso de que la pieza sea defectuosa. La información que poseemos se

resume en:

Probabilidad de procedencia
1

Probabilidad de ser defectuosa
2

]
[

]
[

] 25 , 0
30 , 0
45 , 0
3
2
1
·
·
·
A P

A P

A P

]
[

]
[

] 03 , 0 /
02 , 0 /
01 , 0 /
3
2
1
·
·
·
A D P

A D P

A D P
1

Probabilidad a priori de que la pieza proceda de A3
2

Probabilidad de que la pieza suministrada por Aj sea defectuosa
23

Capitulo 1

Probabilidad
Hemos de calcular

] D A P /
2

(probabilidad a posteriori de que la pieza suministrarse

el

segundo

proveedor,

sabiendo

que

es

defectuosa).

Para

ello

usamos

el

Teorema

de

Bayes:
[

]
[

]
33 , 0
03 , 0 . 25 , 0 02 , 0 . 3 , 0 01 , 0 . 45 , 0
30 , 0 . 02 , 0
/ .
/ .
/
3
1
2 2
2

·
+ +
· ·

· i

i i

A D P A P
A D P A P
D A P
El teorema de Bayes nos permite calcular probabilidades a posteriori a partir de

otras probabilidades que son más fáciles de obtener (verosimilitudes y probabilidades a

priori ).

El problema anterior también lo hubiésemos podido resolver de manera más sencilla

elaborando el Diagrama de Árbol respectivo como sigue:

24

Capitulo 1

Probabilidad
DIAGRAMA DE ÁRBOL
[

] 45 , 0
1

· A P
[

] 25 , 0
3

· A P
[

] 3 , 0
2

· A P
[

] 01 , 0 · D P
[

] 99 , 0 · D P
[

] 02 , 0 · D P
[

] 03 , 0 · D P
[

] 98 , 0 · D P
[

] 97 , 0 · D P
[

] 0,0045 01 , 0 . 45 , 0 / . *
1 1 1

· · ·

A D P A P D A P
[

] 0,4455 99 , 0 . 45 , 0 / . *
1 1 1

· · ·

A D P A P D A P
[

] 0,0060 02 , 0 . 3 , 0 / . *
2 2 2

· · ·

A D P A P D A P
[

] 0,0075 03 , 0 . 25 , 0 / . *
3 3 3

· · ·

A D P A P D A P
[

] 0,2940 98 , 0 . 3 , 0 / . *
2 2 2

· · ·

A D P A P D A P
[

] 0,2425 97 , 0 . 25 , 0 / . *
3 3 3

· · ·

A D P A P D A P
DEFECTUOSO / NO

DEFECTUOSO PROBABILIDADES PRODUCTO PROVEEDOR
DIAGRAMA DE ÁRBOL
[

] 45 , 0
1

· A P
[

] 25 , 0
3

· A P
[

] 3 , 0
2

· A P
[

] 01 , 0 · D P
[

] 99 , 0 · D P
[

] 02 , 0 · D P
[

] 03 , 0 · D P
[

] 98 , 0 · D P
[

] 97 , 0 · D P
[

] 0,0045 01 , 0 . 45 , 0 / . *
1 1 1

· · ·

A D P A P D A P
[

] 0,4455 99 , 0 . 45 , 0 / . *
1 1 1

· · ·

A D P A P D A P
[

] 0,0060 02 , 0 . 3 , 0 / . *
2 2 2

· · ·

A D P A P D A P
[

] 0,0075 03 , 0 . 25 , 0 / . *
3 3 3

· · ·

A D P A P D A P
[

] 0,2940 98 , 0 . 3 , 0 / . *
2 2 2

· · ·

A D P A P D A P
[

] 0,2425 97 , 0 . 25 , 0 / . *
3 3 3

· · ·

A D P A P D A P
DEFECTUOSO / NO

DEFECTUOSO PROBABILIDADES PRODUCTO PROVEEDOR
Transcribiendo la probabilidad pedida obtenemos el mismo resultado:
[

] 3333 , 0
0180 , 0
0060 , 0
0075 , 0 0060 , 0 0045 , 0
0060 , 0
/
2

· ·
+ +
·· D A P
EJEMPLOS GENERALES DEL CAPITULO:
1) Una caja contiene 4 componentes electrónicos malos y

6 buenos. Se sacan dos a la

vez. Se prueba uno de ellos y se encuentra que se bueno. ¿Cuál es la probabilidad de

encontrar el otro también sea bueno?.
25

Capitulo 1

Probabilidad
Solución:

9
5
2) Supóngase

que

son

dos

sucesos

independientes

asociados

con

un

experimento. Si la probabilidad de que

ocurra es igual a

0.6 , mientras que la

probabilidad de que

ocurra es de 0.4 , determinar la probabilidad de que

ocurra.
Solución:

333 . 0
3
1

·
3) Veinte

artículos,

12

de

los

cuales

son

defectuosos

no

defectuosos,

se

inspeccionan uno después del

otro.

Si

esos artículos se escogen al

azar, ¿cuál

es la

probabilidad de que:
a)

los dos primeros artículos inspeccionados sean defectuosos?
b)

los dos primeros artículos inspeccionados sean no defectuosos?
c)

entre

los

dos

primeros

artículos

inspeccionados

haya

uno

defectuoso

uno

no

defectuoso?.
Solución:

0505
95
48
) 147 . 0
95
14
) 347 . 0
95
33
)

· · ·

c b a
4) Supongamos que tenemos dos urnas

de un centro de votación cada una con dos

votos. La urna una tiene un voto “SI” y un voto “NO”, mientras que la urna 2 tiene dos

votos “SI”. Se escoge una urna al azar y de esta se extrae un voto también al azar. El

voto seleccionado resultó un “SI” ¿Cuál es la probabilidad de que el voto provenga de la

urna 2?.
Solución:

667 . 0
3
2

·
5) Un conjunto electrónico consta de dos subsistemas, digamos

B , a partir de

una

serie

de

pruebas

previas,

se

presuponen

las

siguientes

probabilidades:

) 20 . 0 · falle A P

) 15 . 0 · falle sólo B P

) 15 . 0 · fallen B y A P
.

Calcular

las

probabilidades siguientes.

a)

) fallado halla B falle A P /

b)

) solamente falle A P
Solución:

05 . 0 ) 50 . 0 )

b a
6) En una ciudad se publican los periódicos

A, B y C. Una encuesta de lectores

indica

lo siguiente: 20% lee

A,

16 % lee

B,

14%

lee

C,

8%

lee

A y B ,

5% lee

A y C,

26

Capitulo 1

Probabilidad
2%

lee

A, B

y C . Para un lector de la muestra escogido al azar, calcular la probabilidad

de que

a) no lea ninguno de los periódicos
b) lea exactamente uno de los periódicos
c) lea

al

menos

B,

si

se

sabe

que

lee

al

menos

uno

de

los

periódicos

publicados.
d) Cuales

serían

los

resultados

de

los

puntos

anteriores

si

además

de

los

datos

aportados se sabe que el 12% lee simultáneamente 2 periódicos.

Solución:

35
8
22 . 0 65 . 0 )
37
8
) 26 . 0 ) 63 . 0 )

d c b a
7) La siguiente tabla recoge las predicciones referentes a las ganancias por acción

de 1000 títulos

distintos realizadas por un analista financiero junto con los resultados

ocurridos clasificados en tres categorías:

RESULTADO
PREDICCION
CRECIMIENTO APROX. IGUAL DECRECIMIENTO
CRECIMIENTO 210 82 66
APROX. IGUAL 106 153 75
DECRECIMIENTO 75 84 149
a) Calcular la probabilidad de que si la predicción prevé un decrecimiento de las

ganancias se dé este resultado.
b) Calcular la predicción de que si la predicción realizada prevé un crecimiento de

las ganancia se materialice este resultado.
Solución:

463 , 0 ) 514 , 0 )

b a
8) La gerencia de mercados se especializa en la elaboración de informes sobre las

mejores localizaciones para nuevas tiendas de alimentos en áreas comerciales. Dicha

gerencia clasifica las posibles localizaciones en Buenas, Aceptables y Malas. De todos

los informes realizados para tiendas que prosperaron, la evaluación fue Buena para el

70%, Aceptable para el 30% y Mala para el 50%. También se sabe que el 60% de las

nuevas tiendas Prosperan y que el 40% fracasan.
a) ¿Cuál es la probabilidad de que una tienda elegida al azar que prospere haya

sido calificada como buena?
27

Capitulo 1

Probabilidad
b) Si

las perspectivas de una tienda son clasificadas como buenas, ¿cuál

es la

probabilidad de que prospere?
c) ¿Son los sucesos “perspectivas buenas” y “la tienda prospera” independientes

estadísticamente?

d) Si se eligen 5 tiendas al azar, ¿cuál es la probabilidad de que al menos una de

ellas prospere?
Solución:

885 , 0 ) ) 84 , 0 ) 50 , 0 )

d No c b a
EJEMPLOS:
La teoría de la probabilidad y algunos ejemplos tradicionales generales
28

Capitulo 1

Probabilidad
En la mayoría

de los textos, siempre vamos a conseguir ejemplos con monedas, dados y

cartas, esto en primer lugar es explicado por el origen de los estudios de la probabilidad que

tuvo sus inicios en el

establecimiento de métodos para lograr ganar en dichos juegos de

envite y azar, y en segundo lugar, por lo fácil

que estos ejemplos la comprensión de los

principios de probabilidad y sus leyes.
A

continuación

consideraremos

algunos

experimentos

aleatorios

de

esta

naturaleza,

su

espacio

muestral

asociado,

algunos

eventos

de

estos

espacios

sus

respectivas

probabilidades.
EXPERIMENTO

ALEATORIO
TIPO DE

MUESTREO
ESPACIO MUESTRAL
# ELEMENTOS
DEL ESPACIO

MUESTRAL
ALGUNOS

E
V
E
N
T
O
S
PROB.

DE

LOS

EVENTOS REPOSICION
LANZAR UNA

MONEDA
NA

¦ s c E , · 2
LANZAR DOS

MONEDAS
NA

¦ ss sc cs cc E , , , · 4
LANZAR UN DADO NA

¦ 6 , 5 , 4 , 3 , 2 , 1 · E 6
LANZAR DOS

DADOS
NA

) {

¦ ) 6 , 6 ( ); 5 , 6 ( ),.....; 2 , 1 ( ; 1 , 1 · E
36
SELECCIONAR DE UNA BARAJA: UNA CARTA

ESPAÑOLA NA

¦ RC RE, E E RO CO SO O O E ..., ,...... 2 , 1 , , , ,.... 2 , 1 · 40

POKER NA

¦ KT , KP P P KC QC JC C C E ..., ,...... 2 , 1 , , , ,.... 2 , 1 · 52

DOS CARTAS

ESPAÑOLA CON

) {

¦ RC RC R O O O E , .. .......... ;......... 1 , 1 ; ;......... 1 , 1 ·
40x40 =1600
SIN

) {

¦ RC CC R O O O E , .. .......... ;......... 1 , 1 ; ;......... 2 , 1 ·
40x39 =1560
1600-40=1560

POKER CON

) {

¦ KT KT C C KC C C C E , ...; ;......... 1 , 2 ; , 1 ;....; 1 , 1 ·
52x52=2704
SIN

) {

¦ KT QT C C KC C C C E , ...; ;......... 1 , 2 ; , 1 ;....; 2 , 1 ·
52x51=2652
2704-52=2652
DADAS 2 BOLAS (R)OJAS, 4 BOLAS (B)LANCAS Y 6 (N)EGRAS SACAR:
UNA BOLA

NA

¦
6 5 4 3 2 1 4 3 2 1 2 1
, , , , , , , , , , ,

N N N N N N B B B B R R E ·
12
Sacar:

A: Bola roja

B: Bola blanca

C: Bola negra
DOS BOLAS

CON

) (

) {

¦
6 6 1 2 6 1 1 1
, .......; ;......... , ; , ;..... ,

N N B R N R R R E ·
12x12=144
A:

bolas

de

un solo color
SIN

) (

) {

¦
6 5 1 2 6 1 2 1
, .......; ;......... , ; , ;..... ,

N N B R N R R R E ·
12x11=132
144-12=132
B:

Bolas

de

diferente

color
TRES BOLAS

CON
(

) {

¦
6 6 6 1 1 1
, , ; .......... ;......... , ,

N N N R R R E ·
(12)
3
=1728
A:

Bolas

de

dos

colores
SIN

) {

¦
6 5 4 3 2 1
, , ; .......... ;......... , ,

N N N R R R E ·
12x11x10=1320
B:

bolas

de

dos

Colores

C:

Bolas

de

tres

colores
BIBLIOGRAFÍA
29

Capitulo 1

Probabilidad
Meyer Paul. Probabilidad y aplicaciones estadísticas. Fondo Educativo Interamericano S.A.

Caracas.1970.

Wester

Allen

L.

Estadística

aplicada

los

negocios

la

economía.

Tercera

edición.

Mcgraw-Hill, Irvin McGraw-Hill. Colombia 2001.
Lind,

Douglas

A.,

Marchal,

William

G.,

Wathen,

Samuel

A.

Estadística

aplicada

los

negocios y a la economía. Doceava edición. McGraw-Hill. Mexico. 2005.
Montiel,

A.M.,

Rius,

F.,

Barón,

F.J.

Estadística

económica

empresarial.

Prentice

Hall.

España 1997.
Newbold,

Paul.

Estadística

para

los

negocios

la

economía.

Cuarta

Edción.

Pearson.

Prentice

Hall. España. Madrid. 2005
30

Sign up to vote on this title
UsefulNot useful