Notas

de
ESTADSTICA
Mario Enrique Borgna

Cuaderno VII
PROBABILIDAD
NOTAS DE ESTADSTICA VII - PROBABILIDAD 1

PROBABILIDAD INTRODUCCIN

El objetivo de esta parte del curso es desarrollar una herramienta la probabilidad necesaria
para trabajar con muestras representativas de una poblacin y para estudiar la relacin
entre variables, todo lo cual nos permitir abordar con fundamentos los problemas de la
Estadstica Inferencial.

... Las salas de juego estaban repletas de pblico. Cunta insolencia y cunta avidez! Me abr paso entre la
muchedumbre y me coloqu frente al propio croupier. Empec a jugar tmidamente, arriesgando cada vez dos,
tres monedas. Entretanto, observaba. Tengo la impresin de que el clculo previo vale para poco y, desde luego
no tiene la importancia que le atribuyen muchos jugadores: llevan papel rayado, anotan las jugadas, hacen
cuentas, deducen las probabilidades, calculan; por fin, apuestan y pierden. Igual que nosotros simples mortales,
que jugamos sin clculo alguno. He llegado, sin embargo, a una conclusin, al parecer, justa: existe, en efecto, si
no un sistema, por lo menos cierto orden en la sucesin de probabilidades casuales, lo cual es muy extrao. Suele
ocurrir, por ejemplo, que tras las doce cifras centrales salgan las doce ltimas. Cae, por ejemplo, dos veces en las
doce ltimas y pasa a las doce primeras. De las doce primeras, vuelve a las centrales: sale tres o cuatro veces
seguidas y de nuevo pasa a las doce ltimas. Tras dos vueltas, cae sobre las primeras, que no salen ms de una
vez, y las cifras centrales salen sucesivamente tres veces. Esto se repite durante hora y media o dos horas. Uno,
tres y dos; uno, tres y dos. Resulta muy divertido. Hay das, maanas, en que el negro alterna con el rojo, casi en
constante desorden, de modo que ni el rojo ni el negro salen ms de dos o tres veces seguidas. Al da siguiente, o
a la misma tarde, sale el rojo hasta veinticinco veces sucesivas, y contina as durante algn tiempo, a veces,
durante todo el da.... Prrafo del captulo IV de El jugador (1866), una de las ms clebres y populares novelas
de Fedor Dostoyevski, en gran parte un relato autobiogrfico.

La bsqueda de las leyes que supuestamente gobernaran el azar, no solo atrae la concentracin de
algn jugador empedernido, sino que domina permanentemente los clculos de los actuarios de seguros y
recorre casi todo el espectro cientfico desde cronolgicamente la astronoma hasta la economa.
Lo que aparece claramente en el prrafo seleccionado anteriormente es la observacin del fenmeno que
interesa estudiar la ruleta para el caso mediante series de frecuencias (inclusive se observa algn atisbo
de elaborar una serie de tiempo).

EXPERIMENTOS ALEATORIOS
Todas las observaciones previas quedan finalmente al servicio de una jugada que llamaremos de aqu
en ms experimento aleatorio cuyo resultado est en manos del azar, pero para el cual podramos hacer
una lista de valores posibles valores aleatorios cuyas respectivas ocurrencias tienen una probabilidad
asociada. Esta probabilidad tiene que ver con la frecuencia relativa con que ocurri cada valor
anteriormente.
Si en vez de jugador nuestro protagonista fuera un actuario de seguros, el esquema no cambiara
demasiado. l observara previamente la frecuencia de ocurrencia de, supongamos, robos de autos, y
como probabilidad frecuencia relativa la tendra en cuenta al momento de asegurar un nuevo vehculo
tomado al azar.
Tanto la jugada nica del jugador como el aseguramiento de un auto tomado al azar, son experimentos
aleatorios simples porque involucran tomar un solo elemento al azar de una poblacin. Tanto la avidez
del jugador como la de la compaa de seguros, nos llevan a los experimentos aleatorios compuestos
tomar ms de un elemento al azar donde el jugador hara varias jugadas o la compaa asegurara varios
autos.
Llamaremos espacio muestral (E) al conjunto de todos los resultados posibles del experimento aleatorio:
E = {todos los nmeros de la ruleta} = {0, 1, 2, 3, ......... , 34, 35, 36}
o E = { robo , no robo}
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 2

Es el espacio de donde extraeremos las muestras, de ah su nombre, e involucra a toda la poblacin.

Dentro del espacio muestral algunos sucesos o eventos sucesos aleatorios son:
S1 = {que salga par} = {2, 4, 6, 8, 10, 12, 14, 16, 18 , 20, 22, 24, 26, 28, 30, 32, 34, 36}
S2 = {que no roben el auto asegurado} = { no robo }
S3 = {que salga dos} = { 2 }
S4 = {que salga 49} = { } =
S5 = {que salga un nmero entre 0 y 36} = E
S6 = {que sea rojo} = {1, 3, 5, 7, 8, 9, 12, 14, 16, 18, 19, 21, 23, 25, 27, 30, 32, 34, 36}
S7 = {que salga cero} = { 0 }
En particular, los sucesos aleatorios S2, S3 y S7 son sucesos elementales porque contienen un solo
elemento del espacio muestral, el S4 es un suceso imposible y el suceso S5 es un suceso cierto porque va a
ocurrir s o s al realizar el experimento.
El espacio muestral y los sucesos aleatorios pueden representarse mediante un diagrama de Venn1:
E
11 S6
S1 1 13
15 2 3 5
4 6 12 8 7
17
28 20 14 9
10 16 18 19
22 30 21
24 32 23
29 34
26 36
25
31 0

ALGEBRA DE SUCESOS
Consiste en un conjunto de cuatro operaciones que aplicadas a dos o ms sucesos aleatorios nos devuelven
nuevos sucesos aleatorios. Ellas son las tres operaciones de Boole2 (unin, interseccin y complemento)
ms la operacin diferencia.
Unin: S1 S6 = {1,2,3,4,5,6,7,8,9,10,12,14,16,18,19,20,21,22,23,24,25,26,27,28,30,32,34,36}
El nuevo suceso (S1 S6) es que el elemento tomado al azar sea indistintamente Par o Rojo.
Interseccin: S1 S6 = {8,12,14,16,18,30,32,34,36}
El nuevo suceso (S1 S6) consiste en que el elemento tomado al azar sea simultneamente (conjunta-
mente) Par y Rojo.
Complemento: S1 = {no par} = {0,1,3,5,7,9,11,13,15,17,19,21,23,25,27,29,31,33,35}
El nuevo suceso es que el elemento tomado al azar no sea Par.
Diferencia: S1 S6 = {2,4,6,10,20,22,24,26,28}
El suceso (S1 S6) consiste en que el elemento tomado al azar slo sea Par.
1
Juan Venn (1834-1923). Filsofo e historiador ingls. Su obra de lgica ms original es la Lgica del azar.
2
Estudiadas sistemticamente por el lgico irlands J.Boole (1815-1864) y aplicadas al diseo de circuitos electrnicos a
partir de 1939 y a la telefona, control automtico y computadoras en general hasta hoy.
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 3

RELACIONES ENTRE SUCESOS

Relacin de identidad: dos sucesos son idnticos cuando tienen los mismos elementos.
No importa cmo se hayan definido por comprensin cada uno de esos sucesos aleatorios. Si al
momento de detallar todos los elementos de cada uno de los sucesos vemos que aquellos son los
mismos, esos sucesos son idnticos.
Por ejemplo, el suceso {que sea par y negro} es idntico al suceso S1S6.
Relacin de exclusin. Los tres casos que pueden presentarse se grafican a continuacin:

Mutuamente Excluyentes No Excluyentes Inclusin

Primer caso: dos sucesos son mutuamente excluyentes cuando la ocurrencia de uno, excluye la ocurrencia
del otro. Es decir que no tienen elementos en comn y la interseccin entre ellos es vaca.
Segundo caso: dos sucesos aleatorios aleatorios son no excluyentes, cuando tienen elementos en comn.
Esos elementos comunes estn ubicados en la interseccin.
Tercer caso: la relacin se reduce a la inclusin cuando uno de los sucesos incluye al otro. Es decir que
todos los elementos del incluido son parte de los elementos del incluyente.
En los ejemplos dados anteriormente: los sucesos aleatorios S3 con S7 son mutuamente excluyentes y lo
son tambin S3 con S6; no son excluyentes los sucesos S1 y S6; y S3 est incluido en S1.
Relacin de independencia: dos sucesos son independientes cuando la ocurrencia de uno no condiciona
la ocurrencia del otro.
En comparacin con la de exclusin, esta relacin es menos grfica, ms intangible y mucho ms sutil.
Por ejemplo, en una encuesta de opinin se asegura la independencia de las respuestas de un encuestado
tomando recaudos para que l no haya escuchado previamente las respuestas del entrevistado anterior.
Igualmente arrancaremos usando hasta donde podamos, los diagramas planteados para la relacin de
exclusin.
En el caso de que los sucesos fueran mutuamente excluyentes, si uno ocurriera el otro nunca podra
ocurrir. Es decir que si el elemento tomado a azar fuera del primero, como no tienen ningn elemento en
comn queda descartada la posibilidad de que el segundo pueda ocurrir y ello implica la total dependencia
(dependencia fuerte) del segundo suceso respecto del primero, y tambin a la inversa.
Si dos sucesos son excluyentes son fuertemente dependientes.
Ahora, en el tercer caso donde un suceso est incluido en otro, si ocurriera el incluido, como todos sus
elementos lo son tambin del incluyente, ste est obligado a ocurrir s o s (dependencia fuerte). Hay una
total dependencia del incluyente respecto del incluido.
El suceso incluyente es fuertemente dependiente del suceso incluido.

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 4

Finalmente el caso donde los sucesos son no excluyentes, comprende el resto de las situaciones de
dependencia y todos los casos de independencia. Se presenta as una situacin de ambigedad, que deber
resolverse con informacin adicional.

Glosario
Experimento aleatorio o probabilstico o estocstico: es aquel experimento cuyos resultados
son aleatorios, es decir que pueden ocurrir o no.
Espacio muestral: conjunto de todos los resultados posibles de un experimento aleatorio.
Suceso aleatorio: cualquier subconjunto del espacio muestral.

DEFINICIONES DE PROBABILIDAD
Definicin Clsica
Se debe a Pierre Simn de Laplace3 para quien ... La teora del azar consiste en... determinar el nmero
de casos favorables al acontecimiento cuya probabilidad se indaga. La razn de este nmero con la de
todos los casos posibles es la medida de la probabilidad, que no es ms que una fraccin cuyo numerador
es el nmero de casos favorables y cuyo denominador es el nmero total de casos posibles... . Es decir:
p = casos favorables
casos posibles
Se tiene por implcito que todos y cada uno de los resultados del experimento deben ser, en las palabras de
Laplace, ...igualmente posibles...(sic). Este concepto, que llamamos equiprobabilidad, implica que
cuando vayamos a tomar al azar algn elemento de la poblacin, todos tengan la misma posibilidad de
ser seleccionados. Es decir que al confeccionar una muestra con n elementos, debemos asegurarnos que
todos los elementos de la poblacin tengan la misma oportunidad de integrarla.
Apliquemos esta definicin a todos los sucesos tratados anteriormente:
P(S1) = 18 / 37 = 0,4865
P(S3) = 1 /37 = 0,0270
P(S4) = 0 / 37 = 0
P(S5) = 37 /37 = 1
P(S6) = 19 / 37 = 0,5135
P(S7) = 1/ 37 = 0,0270
P(S1 S6) = 28 / 37 = 0,7568
P(S1 S6) = 9 /37 = 0,2432
__

P( S1 ) = 19 / 37 = 0,5135
P(S1 S6) = 9 / 37 = 0,2432
Siguiendo el mismo proceder, el actuario podra querer calcular la probabilidad del suceso S2, y hara:
P(S2) = 1 / 2 = 0,50

3
Essai philosophique sur les probabilits (1814). Pierre Simn de Laplace (1749-1827) Astrnomo y matemtico francs.
Obras: Mecnica Celeste, El sistema del mundo

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 5

El razonamiento ms elemental y nuestro instinto nos dicen a coro que este clculo est fallando en algo,
quedando en evidencia las limitaciones de la definicin clsica. La lgica nos avisa que en realidad
deberamos observar previamente el fenmeno es decir observar con qu frecuencia no roban autos y
con ello contar con la probabilidad para un caso nuevo. Ese proceder podemos extenderlo tambin al caso
de la ruleta obligndonos a observarla previamente es decir observar con qu frecuencia ocurre cada uno
de los 37 nmeros y con ello disponer rigurosamente de un mapa de probabilidades para una nueva
jugada.
Definicin Frecuencial.
Aparece como la solucin a nuestro problema anterior y consiste en observar un nmero grande de veces
los resultados numricos de la ruleta y anotar la frecuencia de aparicin de cada nmero, o tomar en
cuenta muchos casos anteriores de autos asegurados y contar cuntos fueron robados.
Richard E. von Mises4 quien propuso esta definicin en 1919 se refiere a la probabilidad como ...el
Valor Lmite de la Frecuencia Relativa... Esta es la razn del nmero de casos en que el atributo a sido
hallado al nmero total de observaciones...5
Es decir: p = fr
Habiendo observado el comportamiento de la ruleta de una ruleta en particular supongamos 1000 veces,
podra ser que el nmero 2 saliera 32 veces. En ese caso la probabilidad del suceso S3 sera:
P(S3) = 32 /1000 = 0,0320
Supongamos tambin que el actuario pueda recabar informacin sobre una cantidad grande de autos
asegurados, y que de ellos el 15% sufri algn robo. La probabilidad ahora del suceso S2 es:
P(S2) = 0,85

ALGEBRA DE LAS PROBABILIDADES

Su utilidad reside en entregar al clculo de probabilidades una herramienta, precisamente, algebraica. Es
decir, un conjunto de operaciones y maneras de operar con probabilidades.
Fue estructurada en los aos de 1930 por matemticos de la escuela ruso-francesa6, dentro de una teora
especial de la medida de conjuntos. Esa teora de la medida nos permitira hablar de la probabilidad de un
suceso aleatorio, como la medida de que l ocurra.
Su cuerpo principal consiste en tres axiomas7 y un grupo de propiedades (teoremas), a saber:
Axiomas
1) P 0 (la probabilidad es un nmero positivo)
2) P(E) = 1 (la probabilidad del suceso cierto es 1)
3) Si dos sucesos A y B son mutuamente excluyentes: P(A B) = P (A) + P(B)
Para repasar intuitivamente este ltimo axioma conviene mirar el diagrama del primero (sucesos
mutuamente excluyentes) de los tres casos de la pgina 3 de estas notas, y relacionar la medida de la
probabilidad con la medida del rea de cada suceso.
Propiedades (teoremas)
a) 0 P 1 (esta propiedad se deduce de los axiomas 1 y 2 y nos dice que la probabilidad
es un nmero positivo entre cero y uno)
b) P() = 0 (la medida de la probabilidad de un suceso imposible es cero; axiomas 3 y 2)

4
Matemtico y Filsofo austraco (1883-1953).
5
Tomado de su libro Probabilidad, Estadstica y Verdad (1928).
6
Kolmogoroff, Cantelli, Borel y otros.
7
Recordar que los axiomas son proposiciones intuitivas aceptadas sin demostracin y que a partir de ellos pueden
deducirse las propiedades (teoremas).
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 6

__
c) P( A ) = 1 P(A) (es la probabilidad del suceso complemento de A; esta propiedad se deduce de
los axiomas 2 y 3)
d) si dos sucesos A y B no son excluyentes: P(A B) = P (A) + P(B) P(A B)
Esta ltima propiedad puede comprobarse con apoyo del diagrama del segundo caso (pgina 3 de estas
notas), donde se vera que la simple suma P (A) + P(B) hara que la zona de interseccin se sume dos
veces, por lo que hay que restarla una vez para que integre sin preferencias la unin.

TIPOS DE PROBABILIDAD
Probabilidad Total. En lneas generales, es la probabilidad del suceso resultante de aplicar la
operacin unin a los sucesos A y B. Se representa:
P(A B)
y expresa la probabilidad de que ocurra uno u otro suceso indistintamente.
En particular, la probabilidad total ms simple es la que resulta de contar los casos a favor de un suceso y
dividir por la cantidad de casos posibles.
De las probabilidades calculadas en la pgina 5 de estas notas, adems de P(S1 S6) entran en el concepto
de probabilidad total P(S1), P(S3), P(S4), P(S5), P(S6) y P(S7).
El tercer axioma se refiere al clculo de la probabilidad total de la unin de sucesos mutuamente
excluyentes.
La cuarta propiedad del lgebra de las probabilidades, se refiere al clculo de la probabilidad total de
la unin de sucesos no excluyentes.
Probabilidad Condicional. Mide la ocurrencia de un suceso B pero anotando que est condicionado por la
ocurrencia de otro A. Se la representa de la siguiente manera:
P(B / A)
donde la barra inclinada no es una operacin, es una notacin notacin de Keynes8 y donde el suceso A
representa la condicin.
Expresa la probabilidad de que ocurra B, pero condicionado por la ocurrencia de A.
Para el ejemplo de la ruleta (ver el diagrama de Venn de la pgina 2 de estas notas) la probabilidad de que
la prxima jugada salga un rojo si (tal que, a condicin de que) el resultado fuera par, es una condicional:
P(S6 / S1 ) = 9 casos favorables
18 casos posibles
Hay nueve casos favorables: que salga 8 o 12 o 14 o 16 o 18 o 30 o 32 o 34 o 36.
Y dieciocho casos posibles: los 18 elementos del suceso condicin S1.

Probabilidad Compuesta. Es la probabilidad del suceso resultante de aplicar la operacin interseccin a

los sucesos A y B. Se representa:
P(A B)
Y expresa la probabilidad de que ocurran ambos sucesos a la vez, conjuntamente, simultneamente.
Es una probabilidad conjunta o compuesta el caso P(S1 S6) de la pgina 5 de estas notas.
Si los sucesos A y B involucrados son independientes: P(A B) = P(A) . P(B)
Si los sucesos A y B involucrados no son independientes (supongamos que B depende de A):
P(A B) = P(A) . P(B/A)
donde P(A) es la probabilidad total del suceso condicin.
Despejando la ltima expresin, se obtiene otra forma de calcular la probabilidad condicional:
8
J.M.Keynes (1883-1946). Economista ingls. Tratado sobre las probabilidades(~1933).
____________________
Mario Enrique Borgna
 NOTAS DE ESTADSTICA VII - PROBABILIDAD 7

P(B/A) = P(A B)
P(A)

Glosario
Probabilidad: es la medida de la ocurrencia de un suceso y se basa en su frecuencia relativa.
Equiprobabilidad: es la igualdad de oportunidad que tiene cualquier elemento de una
poblacin, respecto de los otros elementos, de ser seleccionado para integrar una muestra.

PROBABILIDADES EN EXPERIMENTOS SIMPLES

En un experimento simple hay involucrada una sola variable y, al azar, se selecciona un solo elemento
de la poblacin. Un experimento simple nos suministra, en rigor, una muestra de tamao n=1.
Problema9: La cantidad de alumnos inscriptos en la materia Estadstica en el presente cuatrimestre, en la
Facultad XX, posibilitaron que se formaran las siguientes comisiones: turno maana dos de 60 alumnos
c/u, turno tarde tres de 40, 50 y 70 alumnos respectivamente y cinco en el turno noche con 75 alumnos c/u.
Si se selecciona aleatoriamente un alumno inscripto en Estadstica cul es la probabilidad de que est
inscripto:
a) en el turno tarde?
b) en el turno maana?
c) en el turno tarde o noche?
d) en cualquier turno menos el de la noche?
e) Relacionar los resultados obtenidos con los axiomas y/o propiedades del lgebra de las probabilidades
En este problema el espacio muestral es : E = {M, T, N}
Las respuestas a las preguntas planteadas dentro del experimento simple son las que siguen.
a) la probabilidad de que un alumno tomado al azar est inscripto a la tarde es:
P (T) = 160 / (2x60+40+50+70+5x75) = 160 / 655 = 0,2443
b) la probabilidad de que un alumno tomado al azar est inscripto a la maana es:
P (M) = 120 / (2x60+40+50+70+5x75) = 120 / 655 = 0,1832
__
c) P(T N) = P (T) + P(N) = 0,2443 + 0,5725 = 0,8168
d) P( N ) = 1 P(N) = 1 0,5725 = 0,4275
e) En c) se aplic el 3er. axioma del lgebra de probabilidades (axioma de la probabilidad total de sucesos
mutuamente excluyentes) y en d) la 3 propiedad (teorema de la probabilidad del suceso complementario).

PROBABILIDADES EN EXPERIMENTOS COMPUESTOS POR REPETICIN

El proceso de tomar al azar dos o ms elementos de la poblacin, constituye un experimento aleatorio
compuesto por repeticin de uno simple. El objetivo de estos experimentos es armar muestras de tamao
n 2.
Hay que aclarar que en el armado de las muestras, usualmente se pretende que haya independencia entre
las n unidades de observacin seleccionadas, es decir que las respuestas de una entrevista, por ejemplo, no
influyan ni condicionen los resultados de la siguiente entrevista, bsicamente porque en los trabajos de
campo se hace muy difcil medir esa influencia o sea la dependencia.
Quiere decir, entonces, que tenemos dos tipos experimentos compuestos por repeticin de uno simple: uno
con independencia entre repeticiones (que es el que realmente interesa en los trabajos de campo) y otro
con dependencia. Para cada uno de ellos, desarrollaremos a continuacin un ejemplo.
9
Tomado de: Estadstica Gua de Ejercicios, UNLM Prometeo Libros. 2003
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 8

Tomemos entre la poblacin de inscriptos en esa materia (655 alumnos) una muestra de tamao n = 2.
Para describir el espacio muestral podemos ayudarnos con un diagrama de rbol, donde cada una de las
ramas representa a cada uno de los elemento compuestos del espacio muestral:

M T

T T

N T

El espacio muestral es: E = { MM, MT, MN, TM, TT, TN, NM, NT, NN }
En primera instancia trabajaremos con el modelo que ms nos interesa, el de independencia entre las n
extracciones y para conseguirlo aqu recurrimos al recurso de reponer la unidad de observacin tomada al
azar devolvindola a la poblacin. En el ejemplo, se repone al grupo el alumno seleccionado la primera
vez, y el rbol con probabilidades incluidas queda:

120 / 655 M

120/655 M 160 / 655 T

375 / 655 N

120 / 655 M

160 / 655 T 160 / 655 T

375 / 655 N

120 / 655 M

375 / 655 N 160 / 655 T

375 / 655 N

Como se ve, las probabilidades en la segunda extraccin no cambiaron con respecto a las probabilidades
de la primera y por lo tanto hay independencia de la 2 respecto de la 1. No perdamos de vista, que
reponer es slo el recurso que tenemos aqu para trabajar sobre un modelo de independencia, porque en el
armado de muestras reales no se repone (no se le da la oportunidad a una misma persona de ser
entrevistada dos veces, si por azar vuelve a salir).
Las probabilidades que acompaan a la primera seleccin son probabilidades totales:
P(M1) = 120/655 P(T1) = 160/655 P(N1) = 375/655
Tambin son totales, las probabilidades que acompaan la 2 extraccin, porque no hubo cambios.

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 9

A continuacin nos preguntamos cul es la probabilidad de que ambos integrantes de la muestra estn
inscriptos a la tarde? o lo que es lo mismo cul es la probabilidad de que el primer integrante est a la
Tarde y el segundo integrante tambin est a la Tarde?:
P (TT)
La respuesta se da calculando la probabilidad compuesta:
P(TT) = P( T T ) = P (T) . P(T) = 160 x 160 = 25.600 = 0,0597
655 655 429.025
Otra pregunta: cul es la probabilidad de que entre los dos seleccionados, ninguno sea de la tarde?:
P (MM o MN o NM o NN) = P (MM MN NM NN) = P(MM) + P(MN) + P(NM) + P(NN) =
(aqu se aplica el 3er. axioma del lgebra de las probabilidades, porque los sucesos elementales son
mutuamente excluyentes)
= P(M M) + P(M N) + P(N M) + P(N N) =
Como el experimento es con reposicin (es decir que hay independencia entre las extracciones):
= P(M) . P(M) + P(M) . P(N) + P(N) . P(M) + P(N) . P(N) =
= 120 x 120 +120 x 375 +375 x 120 + 375 x 375 = 0,5711
655 655 655 655 655 655 655 655

Abordaremos ahora el experimento en que los resultados de la segunda seleccin son dependientes de
los resultados de la primera. Aqu, el recurso ser no reponer el elemento que salga en la primera
extraccin. El rbol con probabilidades es:
119 / 654 M2

120 / 655 M1 160 / 654 T2

375 / 654 N2

120 / 654 M2

160 / 655 T1 159 / 654 T2

375 / 654 N2

120 / 654 M2

375 / 655 N1 160 / 654 T2

374 / 654 N2

Las probabilidades que acompaan a la segunda seleccin son probabilidades condicionales.

P(M2/M1) = 119/654 P(T2/M1) = 160/654 P(N2/M1) = 375/654
P(M2/T1) = 120/654 P(T2/T1) = 159/654 P(N2/T1) = 375/654
P(M2/N1) = 120/654 P(T2/N1) = 160/654 P(N2/N1) = 374/654
El conjunto de todas las probabilidades compuestas que se calculan por afuera del rbol son:
P (MM) = P( M1 M2 ) = P (M1) . P(M2 / M1)
P (MT) = P( M1 T2 ) = P (M1) . P(T2 / M1)
P (MN) = P( M1 N2 ) = P (M1) . P(N2 / M1)
P (TM) = P( T1 M2 ) = P (T1) . P(M2 / T1)
P (TT) = P( T1 T2 ) = P (T1) . P(T2 / T1)
P (TN) = P( T1 N2 ) = P (T1) . P(N2 / T1)
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 10

P (NM) = P( N1 M2 ) = P (N1) . P(M2 / N1)

P (NT) = P( N1 T2 ) = P (N1) . P(T2 / N1)
P (NN) = P( N1 N2 ) = P (N1) . P(N2 / N1)
El plateo para responder las mismas preguntas anteriores, ahora se desarrollan as.
P (TT) = P( T1 T2 ) = P (T1) . P(T2 / T1) = 160 x 159 = 0,0594
655 654
P (MM o MN o NM o NN) = P (MM MN NM NN) = P(MM) + P(MN) + P(NM) + P(NN) =
Como el experimento es sin reposicin (hay dependencia de la 2 extraccin respecto de la 1):
= P(M1) . P(M2/M1) + P(M1) . P(N2/M1) + P(N1) . P(M2/N1) + P(N1) . P(N2/N1) =
= 120 x 119 +120 x 375 +375 x 120 + 375 x 374 = 0,5708
655 654 655 654 655 654 655 654

PROBABILIDADES EN EXPERIMENTOS COMPUESTOS BIVARIADOS

El objetivo de estos experimentos es estudiar si dos variables estn relacionadas.
En el cuaderno II pg.7 se present una tabla bivariada relativa a 40 tipos de aceite, donde las variables
involucradas son el modo de regulacin y el nivel de aumento de precios en el mercado interno.

modo de regulacin Regulado por las Escapa a la regulacin

transnacionales de las transnacionales
aument
mucho 27 2
poco 3 8

Dividiendo cada una de las frecuencias absolutas por el total (40) obtenemos frecuencias relativas
conjuntas. Si consideramos a los 40 tipos de aceites como poblacin, podemos crear un ambiente de
experimento aleatorio tomando al azar un tipo de aceite y hacernos preguntas tales como cul es la
probabilidad de que el tipo seleccionado est regulado por las transnacionales y haya aumentado mucho?.
La respuesta es: P(Reg. Mucho) = 27 / 40 = 0,6750
Si calculamos la probabilidad para cada uno de los restantes casilleros tendremos:
P(Reg. Poco) = 3 / 40 = 0,0750
P(No Reg. Mucho) = 2 / 40 = 0,0500
P(No Reg. Poco) = 8 / 40 = 0,2000
Con las probabilidades compuestas calculadas, elaboramos una tabla de contingencias:

modo de regulacin Regulado por las Escapa a la regulacin

transnacionales de las transnacionales
aument
mucho 0,6750 0,0500
poco 0,0750 0,2000
Si la ampliamos de la manera que sigue, tendremos adems probabilidades totales:

modo de regulacin Regulado por las Escapa a la regulacin

transnacionales de las transnacionales Total
aument
mucho 0,6750 0,0500 0,7250
poco 0,0750 0,2000 0,2750
Total 0,7500 0,2500 1
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 11

A las probabilidades totales por su ubicacin en la tabla se las llama tambin probabilidades marginales.
Adems de preguntas que involucren probabilidades compuestas, con la tabla de contingencias podemos
responder directamente preguntas del tipo:
- Si se toma un tipo de aceite al azar, cul es la probabilidad de que est regulado por las
transnacionales?. Respuesta: P(Reg.) = 0,7500
- Si se toma un tipo de aceite al azar , cul es la probabilidad de que haya aumentado mucho?.
Respuesta: P(Mucho) = 0,7250
Por afuera de la tabla de contingencias, calculamos las probabilidades condicionales que se originan a
partir de preguntas tales como:
- Si tomamos un tipo de aceite al azar entre los regulados por las transnacionales, cul es la
probabilidad de que l haya aumentado mucho?. Respuesta:
P(Mucho / Reg.) = P ( Mucho Reg.) = 0,6750 = 0,9000
P(Reg.) 0,7500
- Si tomamos al azar un tipo de aceite y resultara que aument mucho, cul es la probabilidad de que l
est regulado por las transnacionales?. Respuesta:
P(Reg./ Mucho) = P ( Mucho Reg.) = 0,6750 = 0,9310
P(Mucho) 0,7250
Si tenemos en cuenta que la variable Modo de Regulacin puede ser considerada como la causa y la
variable Aumento como el efecto, se ve que la primera de las dos condicionales explora la probabilidad
del efecto (Mucho) a partir de una determinada causa (Regulado). A este enfoque de la probabilidad
condicional se lo considera clsico:
P ( efecto / causa) la condicin es la causa
La segunda de las dos probabilidades condicionales, explora la causa (Reg.) a partir de la supuesta y
previa ocurrencia del efecto (mucho). Este enfoque se debe a Thomas Bayes10 (1702-1761) y se llama
precisamente enfoque bayesiano o de la probabilidad condicional de las causas:
P ( causa / efecto) la condicin es el efecto
11
Problema :
Se ha observado las frecuencias relativas probabilidad con que se producen accidentes en una autopista
podemos suponer que en el relevamiento previo las unidades de observacin fueron das y en una
determinada franja horaria y sobre esa base tambin las frecuencias de los embotellamientos, tal como se
indica en el siguiente diagrama:
P(Embotellamiento) = 0,95
P(Accidente) = 0,2
P(No embotellamiento) = 0,05

P(Embotellamiento) = 0,15
P(No accidente)= 0,8
P(No embotellamiento) = 0,85
Cabe aclarar que la informacin del rbol podra haber sido dada en prosa, como sigue:
Se ha observado frecuencialmente la probabilidad de que en un da cualquiera se produzca un accidente
en una autopista podemos suponer que la unidad de observacin fue el da es del 20%. Tambin se
observ frecuencialmente que en el 95% de los das con accidente hubo embotellamientos y que estos se
produjeron slo en el 5% los das sin accidente.
a) Interpretar las probabilidades totales de las causas y las condicionales clsicas.
10
An essay towars solving a problem in the doctrine of chances. (publicado pstumamente en 1764).
11
Tomado y adaptado de: Estadstica Gua de Ejercicios, UNLM Prometeo Libros. 2003

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 12

b) Calcular las probabilidades conjuntas.

c) Calcular e interpretar las probabilidades totales de los efectos.
d) Calcular e interpretar las probabilidades condicionales bayesianas.
En el rbol hay probabilidades totales de las causas:
P(Accidente) = 0,20
P(No accidente) = 0,80
y probabilidades condicionales clsicas:
P(Embotellamiento / Accidente) = 0,95
P(No embotellamiento / Accidente) = 0,05
P(Embotellamiento / No accidente) = 0,15
P(No embotellamiento / No accidente) = 0,85
Hay que resaltar que ambas probabilidades se basan en observaciones de campo: fueron medidas. Y las
frecuencias relativas de campo se transformaron en probabilidades.
Leyndolas simplemente, podemos decir que si tomamos un da cualquiera al azar (en esa franja horaria),
la probabilidad de que en l ocurra un accidente es de 0,20. O tambin que si en ese da ocurriera un
accidente, la probabilidad de que en consecuencia se produzca un embotellamiento es de 0,95.
Qu pasa si nos preguntamos por la probabilidad total de algn efecto?. Por ejemplo, para un da tomado
al azar, cul es la probabilidad de que haya embotellamiento?:
P(embotellamiento)
Como ella, las probabilidades totales de los efectos no son observaciones de campo. No estn en el rbol.
Hay que calcularlas.
Y si nos preguntamos por una probabilidad condicional bayesiana?. Por ejemplo, si en un da tomado al
azar se detectara embotellamiento, cul es la probabilidad de que l haya sido causado por un accidente?.
Para nuestro caso, las probabilidades condicionales bayesianas no se desprenden de las observaciones de
campo. Hay que calcularlas.
A continuacin vamos a construir una tabla de contingencias, calculando las probabilidades compuestas a
partir de las probabilidades totales de las causas y las probabilidades condicionales clsicas que estn,
ambas, en el rbol.

Accidente
Accidente no accidente Total
Embotellamiento
embotellamiento 0,1900 0,1200
no embotellamiento 0,0100 0,6800
Total 0,2000 0,8000 1

Aqu las probabilidades totales de las causas 0,20 y 0,80 son transcriptas desde el rbol, y las conjuntas
fueron calculadas de la siguiente manera:
P(accidente embotellamiento) = P(accidente) x P(embotellamiento/accidente) = 0,2 x 0,95 = 0,19
P(accidente no embotellam.) = P(accidente) x P(no embotellam./accidente) = 0,2 x 0,05 = 0,01
P(no accidente embotellam.) = P(no accidente) x P(embotellam./no accidente) = 0,8 x 0,15 = 0,12
P(no accidente no embotell.) = P(no accidente) x P(no embotell./no accidente) = 0,8 x 0,85 = 0,68
Lo que primero podemos hacer con ellas es calcular las probabilidades totales de los efectos:
____________________
Mario Enrique Borgna
 NOTAS DE ESTADSTICA VII - PROBABILIDAD 13

Accidente
accidente no accidente Total
Embotellamiento
embotellamiento 0,1900 0,1200 0,3100
No embotellamiento 0,0100 0,6800 0,6900
Total 0,2000 0,8000 1
Es decir:
P(embotellamiento) = P(accidente embotellamiento) + P(no accidente embotellamiento)
P(no embotellamiento) = P(accidente no embotellamiento) + P(no accidente no embotellamiento)
Repasando todo el camino realizado para llegar al 0,3100 por ejemplo, nos queda una expresin general
para calcular la probabilidad total de un efecto, a partir de las probabilidades totales de sus causas y de las
probabilidades condicionales de los efectos dadas las causas (clsicas):
P(embotell.) = P(accidente) x P(embotell./accidente) + P(no accidente) x P(embotell./no accidente)
Generalizando:

P (efecto) = P (causa i) x P(efecto / causa i) + P (causa j) x P (efecto / causa j) + P(causa k) x P(efecto / causa k)

Expresin que corresponde al llamado Teorema de la probabilidad total de los efectos.

Calculadas las probabilidades totales de los efectos, pueden entonces calcularse las probabilidades
condicionales bayesianas. Para nuestro problema seran:
P(accidente / embotellamiento) = P(accidente embotellamiento) = 0,19 = 0,6129
P(embotellamiento) 0,31
P(no accidente / embotellamiento) = P(no accidente embotellamiento) = 0,12 = 0,3871
P(embotellamiento) 0,31

P(accidente / no embotellamiento) = P(accidente no embotellamiento) = 0,01 = 0,0145

P(no embotellamiento) 0,69

P(no accidente / no embotellamiento) = P(no accidente no embotellamiento) = 0,68 = 0,9855

P(no embotellamiento) 0,69

Generalizando:

P (causa i /efecto) = P(causa i) x P(efecto / causa i) .

P (causa i) x P(efecto / causa i) + P (causa j) x P (efecto / causa j) + P(causa k) x P(efecto / causa k)

Expresin del llamado Teorema de Bayes o Teorema de la probabilidad condicional de las causas.
Que no es ms que el clculo que hicimos anteriormente, pero totalmente desagregado..

____________________
Mario Enrique Borgna
 Notas
de
ESTADSTICA
Mario Enrique Borgna

Cuaderno VII
PROBABILIDAD
NOTAS DE ESTADSTICA VII - PROBABILIDAD 1

PROBABILIDAD INTRODUCCIN

El objetivo de esta parte del curso es desarrollar una herramienta la probabilidad necesaria
para trabajar con muestras representativas de una poblacin y para estudiar la relacin
entre variables, todo lo cual nos permitir abordar con fundamentos los problemas de la
Estadstica Inferencial.

... Las salas de juego estaban repletas de pblico. Cunta insolencia y cunta avidez! Me abr paso entre la
muchedumbre y me coloqu frente al propio croupier. Empec a jugar tmidamente, arriesgando cada vez dos,
tres monedas. Entretanto, observaba. Tengo la impresin de que el clculo previo vale para poco y, desde luego
no tiene la importancia que le atribuyen muchos jugadores: llevan papel rayado, anotan las jugadas, hacen
cuentas, deducen las probabilidades, calculan; por fin, apuestan y pierden. Igual que nosotros simples mortales,
que jugamos sin clculo alguno. He llegado, sin embargo, a una conclusin, al parecer, justa: existe, en efecto, si
no un sistema, por lo menos cierto orden en la sucesin de probabilidades casuales, lo cual es muy extrao. Suele
ocurrir, por ejemplo, que tras las doce cifras centrales salgan las doce ltimas. Cae, por ejemplo, dos veces en las
doce ltimas y pasa a las doce primeras. De las doce primeras, vuelve a las centrales: sale tres o cuatro veces
seguidas y de nuevo pasa a las doce ltimas. Tras dos vueltas, cae sobre las primeras, que no salen ms de una
vez, y las cifras centrales salen sucesivamente tres veces. Esto se repite durante hora y media o dos horas. Uno,
tres y dos; uno, tres y dos. Resulta muy divertido. Hay das, maanas, en que el negro alterna con el rojo, casi en
constante desorden, de modo que ni el rojo ni el negro salen ms de dos o tres veces seguidas. Al da siguiente, o
a la misma tarde, sale el rojo hasta veinticinco veces sucesivas, y contina as durante algn tiempo, a veces,
durante todo el da.... Prrafo del captulo IV de El jugador (1866), una de las ms clebres y populares novelas
de Fedor Dostoyevski, en gran parte un relato autobiogrfico.

La bsqueda de las leyes que supuestamente gobernaran el azar, no solo atrae la concentracin de
algn jugador empedernido, sino que domina permanentemente los clculos de los actuarios de seguros y
recorre casi todo el espectro cientfico desde cronolgicamente la astronoma hasta la economa.
Lo que aparece claramente en el prrafo seleccionado anteriormente es la observacin del fenmeno que
interesa estudiar la ruleta para el caso mediante series de frecuencias (inclusive se observa algn atisbo
de elaborar una serie de tiempo).

EXPERIMENTOS ALEATORIOS
Todas las observaciones previas quedan finalmente al servicio de una jugada que llamaremos de aqu
en ms experimento aleatorio cuyo resultado est en manos del azar, pero para el cual podramos hacer
una lista de valores posibles valores aleatorios cuyas respectivas ocurrencias tienen una probabilidad
asociada. Esta probabilidad tiene que ver con la frecuencia relativa con que ocurri cada valor
anteriormente.
Si en vez de jugador nuestro protagonista fuera un actuario de seguros, el esquema no cambiara
demasiado. l observara previamente la frecuencia de ocurrencia de, supongamos, robos de autos, y
como probabilidad frecuencia relativa la tendra en cuenta al momento de asegurar un nuevo vehculo
tomado al azar.
Tanto la jugada nica del jugador como el aseguramiento de un auto tomado al azar, son experimentos
aleatorios simples porque involucran tomar un solo elemento al azar de una poblacin. Tanto la avidez
del jugador como la de la compaa de seguros, nos llevan a los experimentos aleatorios compuestos
tomar ms de un elemento al azar donde el jugador hara varias jugadas o la compaa asegurara varios
autos.
Llamaremos espacio muestral (E) al conjunto de todos los resultados posibles del experimento aleatorio:
E = {todos los nmeros de la ruleta} = {0, 1, 2, 3, ......... , 34, 35, 36}
o E = { robo , no robo}
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 2

Es el espacio de donde extraeremos las muestras, de ah su nombre, e involucra a toda la poblacin.

Dentro del espacio muestral algunos sucesos o eventos sucesos aleatorios son:
S1 = {que salga par} = {2, 4, 6, 8, 10, 12, 14, 16, 18 , 20, 22, 24, 26, 28, 30, 32, 34, 36}
S2 = {que no roben el auto asegurado} = { no robo }
S3 = {que salga dos} = { 2 }
S4 = {que salga 49} = { } =
S5 = {que salga un nmero entre 0 y 36} = E
S6 = {que sea rojo} = {1, 3, 5, 7, 8, 9, 12, 14, 16, 18, 19, 21, 23, 25, 27, 30, 32, 34, 36}
S7 = {que salga cero} = { 0 }
En particular, los sucesos aleatorios S2, S3 y S7 son sucesos elementales porque contienen un solo
elemento del espacio muestral, el S4 es un suceso imposible y el suceso S5 es un suceso cierto porque va a
ocurrir s o s al realizar el experimento.
El espacio muestral y los sucesos aleatorios pueden representarse mediante un diagrama de Venn1:
E
11 S6
S1 1 13
15 2 3 5
4 6 12 8 7
17
28 20 14 9
10 16 18 19
22 30 21
24 32 23
29 34
26 36
25
31 0

ALGEBRA DE SUCESOS
Consiste en un conjunto de cuatro operaciones que aplicadas a dos o ms sucesos aleatorios nos devuelven
nuevos sucesos aleatorios. Ellas son las tres operaciones de Boole2 (unin, interseccin y complemento)
ms la operacin diferencia.
Unin: S1 S6 = {1,2,3,4,5,6,7,8,9,10,12,14,16,18,19,20,21,22,23,24,25,26,27,28,30,32,34,36}
El nuevo suceso (S1 S6) es que el elemento tomado al azar sea indistintamente Par o Rojo.
Interseccin: S1 S6 = {8,12,14,16,18,30,32,34,36}
El nuevo suceso (S1 S6) consiste en que el elemento tomado al azar sea simultneamente (conjunta-
mente) Par y Rojo.
Complemento: S1 = {no par} = {0,1,3,5,7,9,11,13,15,17,19,21,23,25,27,29,31,33,35}
El nuevo suceso es que el elemento tomado al azar no sea Par.
Diferencia: S1 S6 = {2,4,6,10,20,22,24,26,28}
El suceso (S1 S6) consiste en que el elemento tomado al azar slo sea Par.
1
Juan Venn (1834-1923). Filsofo e historiador ingls. Su obra de lgica ms original es la Lgica del azar.
2
Estudiadas sistemticamente por el lgico irlands J.Boole (1815-1864) y aplicadas al diseo de circuitos electrnicos a
partir de 1939 y a la telefona, control automtico y computadoras en general hasta hoy.
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 3

RELACIONES ENTRE SUCESOS

Relacin de identidad: dos sucesos son idnticos cuando tienen los mismos elementos.
No importa cmo se hayan definido por comprensin cada uno de esos sucesos aleatorios. Si al
momento de detallar todos los elementos de cada uno de los sucesos vemos que aquellos son los
mismos, esos sucesos son idnticos.
Por ejemplo, el suceso {que sea par y negro} es idntico al suceso S1S6.
Relacin de exclusin. Los tres casos que pueden presentarse se grafican a continuacin:

Mutuamente Excluyentes No Excluyentes Inclusin

Primer caso: dos sucesos son mutuamente excluyentes cuando la ocurrencia de uno, excluye la ocurrencia
del otro. Es decir que no tienen elementos en comn y la interseccin entre ellos es vaca.
Segundo caso: dos sucesos aleatorios aleatorios son no excluyentes, cuando tienen elementos en comn.
Esos elementos comunes estn ubicados en la interseccin.
Tercer caso: la relacin se reduce a la inclusin cuando uno de los sucesos incluye al otro. Es decir que
todos los elementos del incluido son parte de los elementos del incluyente.
En los ejemplos dados anteriormente: los sucesos aleatorios S3 con S7 son mutuamente excluyentes y lo
son tambin S3 con S6; no son excluyentes los sucesos S1 y S6; y S3 est incluido en S1.
Relacin de independencia: dos sucesos son independientes cuando la ocurrencia de uno no condiciona
la ocurrencia del otro.
En comparacin con la de exclusin, esta relacin es menos grfica, ms intangible y mucho ms sutil.
Por ejemplo, en una encuesta de opinin se asegura la independencia de las respuestas de un encuestado
tomando recaudos para que l no haya escuchado previamente las respuestas del entrevistado anterior.
Igualmente arrancaremos usando hasta donde podamos, los diagramas planteados para la relacin de
exclusin.
En el caso de que los sucesos fueran mutuamente excluyentes, si uno ocurriera el otro nunca podra
ocurrir. Es decir que si el elemento tomado a azar fuera del primero, como no tienen ningn elemento en
comn queda descartada la posibilidad de que el segundo pueda ocurrir y ello implica la total dependencia
(dependencia fuerte) del segundo suceso respecto del primero, y tambin a la inversa.
Si dos sucesos son excluyentes son fuertemente dependientes.
Ahora, en el tercer caso donde un suceso est incluido en otro, si ocurriera el incluido, como todos sus
elementos lo son tambin del incluyente, ste est obligado a ocurrir s o s (dependencia fuerte). Hay una
total dependencia del incluyente respecto del incluido.
El suceso incluyente es fuertemente dependiente del suceso incluido.

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 4

Finalmente el caso donde los sucesos son no excluyentes, comprende el resto de las situaciones de
dependencia y todos los casos de independencia. Se presenta as una situacin de ambigedad, que deber
resolverse con informacin adicional.

Glosario
Experimento aleatorio o probabilstico o estocstico: es aquel experimento cuyos resultados
son aleatorios, es decir que pueden ocurrir o no.
Espacio muestral: conjunto de todos los resultados posibles de un experimento aleatorio.
Suceso aleatorio: cualquier subconjunto del espacio muestral.

DEFINICIONES DE PROBABILIDAD
Definicin Clsica
Se debe a Pierre Simn de Laplace3 para quien ... La teora del azar consiste en... determinar el nmero
de casos favorables al acontecimiento cuya probabilidad se indaga. La razn de este nmero con la de
todos los casos posibles es la medida de la probabilidad, que no es ms que una fraccin cuyo numerador
es el nmero de casos favorables y cuyo denominador es el nmero total de casos posibles... . Es decir:
p = casos favorables
casos posibles
Se tiene por implcito que todos y cada uno de los resultados del experimento deben ser, en las palabras de
Laplace, ...igualmente posibles...(sic). Este concepto, que llamamos equiprobabilidad, implica que
cuando vayamos a tomar al azar algn elemento de la poblacin, todos tengan la misma posibilidad de
ser seleccionados. Es decir que al confeccionar una muestra con n elementos, debemos asegurarnos que
todos los elementos de la poblacin tengan la misma oportunidad de integrarla.
Apliquemos esta definicin a todos los sucesos tratados anteriormente:
P(S1) = 18 / 37 = 0,4865
P(S3) = 1 /37 = 0,0270
P(S4) = 0 / 37 = 0
P(S5) = 37 /37 = 1
P(S6) = 19 / 37 = 0,5135
P(S7) = 1/ 37 = 0,0270
P(S1 S6) = 28 / 37 = 0,7568
P(S1 S6) = 9 /37 = 0,2432
__

P( S1 ) = 19 / 37 = 0,5135
P(S1 S6) = 9 / 37 = 0,2432
Siguiendo el mismo proceder, el actuario podra querer calcular la probabilidad del suceso S2, y hara:
P(S2) = 1 / 2 = 0,50

3
Essai philosophique sur les probabilits (1814). Pierre Simn de Laplace (1749-1827) Astrnomo y matemtico francs.
Obras: Mecnica Celeste, El sistema del mundo

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 5

El razonamiento ms elemental y nuestro instinto nos dicen a coro que este clculo est fallando en algo,
quedando en evidencia las limitaciones de la definicin clsica. La lgica nos avisa que en realidad
deberamos observar previamente el fenmeno es decir observar con qu frecuencia no roban autos y
con ello contar con la probabilidad para un caso nuevo. Ese proceder podemos extenderlo tambin al caso
de la ruleta obligndonos a observarla previamente es decir observar con qu frecuencia ocurre cada uno
de los 37 nmeros y con ello disponer rigurosamente de un mapa de probabilidades para una nueva
jugada.
Definicin Frecuencial.
Aparece como la solucin a nuestro problema anterior y consiste en observar un nmero grande de veces
los resultados numricos de la ruleta y anotar la frecuencia de aparicin de cada nmero, o tomar en
cuenta muchos casos anteriores de autos asegurados y contar cuntos fueron robados.
Richard E. von Mises4 quien propuso esta definicin en 1919 se refiere a la probabilidad como ...el
Valor Lmite de la Frecuencia Relativa... Esta es la razn del nmero de casos en que el atributo a sido
hallado al nmero total de observaciones...5
Es decir: p = fr
Habiendo observado el comportamiento de la ruleta de una ruleta en particular supongamos 1000 veces,
podra ser que el nmero 2 saliera 32 veces. En ese caso la probabilidad del suceso S3 sera:
P(S3) = 32 /1000 = 0,0320
Supongamos tambin que el actuario pueda recabar informacin sobre una cantidad grande de autos
asegurados, y que de ellos el 15% sufri algn robo. La probabilidad ahora del suceso S2 es:
P(S2) = 0,85

ALGEBRA DE LAS PROBABILIDADES

Su utilidad reside en entregar al clculo de probabilidades una herramienta, precisamente, algebraica. Es
decir, un conjunto de operaciones y maneras de operar con probabilidades.
Fue estructurada en los aos de 1930 por matemticos de la escuela ruso-francesa6, dentro de una teora
especial de la medida de conjuntos. Esa teora de la medida nos permitira hablar de la probabilidad de un
suceso aleatorio, como la medida de que l ocurra.
Su cuerpo principal consiste en tres axiomas7 y un grupo de propiedades (teoremas), a saber:
Axiomas
1) P 0 (la probabilidad es un nmero positivo)
2) P(E) = 1 (la probabilidad del suceso cierto es 1)
3) Si dos sucesos A y B son mutuamente excluyentes: P(A B) = P (A) + P(B)
Para repasar intuitivamente este ltimo axioma conviene mirar el diagrama del primero (sucesos
mutuamente excluyentes) de los tres casos de la pgina 3 de estas notas, y relacionar la medida de la
probabilidad con la medida del rea de cada suceso.
Propiedades (teoremas)
a) 0 P 1 (esta propiedad se deduce de los axiomas 1 y 2 y nos dice que la probabilidad
es un nmero positivo entre cero y uno)
b) P() = 0 (la medida de la probabilidad de un suceso imposible es cero; axiomas 3 y 2)

4
Matemtico y Filsofo austraco (1883-1953).
5
Tomado de su libro Probabilidad, Estadstica y Verdad (1928).
6
Kolmogoroff, Cantelli, Borel y otros.
7
Recordar que los axiomas son proposiciones intuitivas aceptadas sin demostracin y que a partir de ellos pueden
deducirse las propiedades (teoremas).
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 6

__
c) P( A ) = 1 P(A) (es la probabilidad del suceso complemento de A; esta propiedad se deduce de
los axiomas 2 y 3)
d) si dos sucesos A y B no son excluyentes: P(A B) = P (A) + P(B) P(A B)
Esta ltima propiedad puede comprobarse con apoyo del diagrama del segundo caso (pgina 3 de estas
notas), donde se vera que la simple suma P (A) + P(B) hara que la zona de interseccin se sume dos
veces, por lo que hay que restarla una vez para que integre sin preferencias la unin.

TIPOS DE PROBABILIDAD
Probabilidad Total. En lneas generales, es la probabilidad del suceso resultante de aplicar la
operacin unin a los sucesos A y B. Se representa:
P(A B)
y expresa la probabilidad de que ocurra uno u otro suceso indistintamente.
En particular, la probabilidad total ms simple es la que resulta de contar los casos a favor de un suceso y
dividir por la cantidad de casos posibles.
De las probabilidades calculadas en la pgina 5 de estas notas, adems de P(S1 S6) entran en el concepto
de probabilidad total P(S1), P(S3), P(S4), P(S5), P(S6) y P(S7).
El tercer axioma se refiere al clculo de la probabilidad total de la unin de sucesos mutuamente
excluyentes.
La cuarta propiedad del lgebra de las probabilidades, se refiere al clculo de la probabilidad total de
la unin de sucesos no excluyentes.
Probabilidad Condicional. Mide la ocurrencia de un suceso B pero anotando que est condicionado por la
ocurrencia de otro A. Se la representa de la siguiente manera:
P(B / A)
donde la barra inclinada no es una operacin, es una notacin notacin de Keynes8 y donde el suceso A
representa la condicin.
Expresa la probabilidad de que ocurra B, pero condicionado por la ocurrencia de A.
Para el ejemplo de la ruleta (ver el diagrama de Venn de la pgina 2 de estas notas) la probabilidad de que
la prxima jugada salga un rojo si (tal que, a condicin de que) el resultado fuera par, es una condicional:
P(S6 / S1 ) = 9 casos favorables
18 casos posibles
Hay nueve casos favorables: que salga 8 o 12 o 14 o 16 o 18 o 30 o 32 o 34 o 36.
Y dieciocho casos posibles: los 18 elementos del suceso condicin S1.

Probabilidad Compuesta. Es la probabilidad del suceso resultante de aplicar la operacin interseccin a

los sucesos A y B. Se representa:
P(A B)
Y expresa la probabilidad de que ocurran ambos sucesos a la vez, conjuntamente, simultneamente.
Es una probabilidad conjunta o compuesta el caso P(S1 S6) de la pgina 5 de estas notas.
Si los sucesos A y B involucrados son independientes: P(A B) = P(A) . P(B)
Si los sucesos A y B involucrados no son independientes (supongamos que B depende de A):
P(A B) = P(A) . P(B/A)
donde P(A) es la probabilidad total del suceso condicin.
Despejando la ltima expresin, se obtiene otra forma de calcular la probabilidad condicional:
8
J.M.Keynes (1883-1946). Economista ingls. Tratado sobre las probabilidades(~1933).
____________________
Mario Enrique Borgna
 NOTAS DE ESTADSTICA VII - PROBABILIDAD 7

P(B/A) = P(A B)
P(A)

Glosario
Probabilidad: es la medida de la ocurrencia de un suceso y se basa en su frecuencia relativa.
Equiprobabilidad: es la igualdad de oportunidad que tiene cualquier elemento de una
poblacin, respecto de los otros elementos, de ser seleccionado para integrar una muestra.

PROBABILIDADES EN EXPERIMENTOS SIMPLES

En un experimento simple hay involucrada una sola variable y, al azar, se selecciona un solo elemento
de la poblacin. Un experimento simple nos suministra, en rigor, una muestra de tamao n=1.
Problema9: La cantidad de alumnos inscriptos en la materia Estadstica en el presente cuatrimestre, en la
Facultad XX, posibilitaron que se formaran las siguientes comisiones: turno maana dos de 60 alumnos
c/u, turno tarde tres de 40, 50 y 70 alumnos respectivamente y cinco en el turno noche con 75 alumnos c/u.
Si se selecciona aleatoriamente un alumno inscripto en Estadstica cul es la probabilidad de que est
inscripto:
a) en el turno tarde?
b) en el turno maana?
c) en el turno tarde o noche?
d) en cualquier turno menos el de la noche?
e) Relacionar los resultados obtenidos con los axiomas y/o propiedades del lgebra de las probabilidades
En este problema el espacio muestral es : E = {M, T, N}
Las respuestas a las preguntas planteadas dentro del experimento simple son las que siguen.
a) la probabilidad de que un alumno tomado al azar est inscripto a la tarde es:
P (T) = 160 / (2x60+40+50+70+5x75) = 160 / 655 = 0,2443
b) la probabilidad de que un alumno tomado al azar est inscripto a la maana es:
P (M) = 120 / (2x60+40+50+70+5x75) = 120 / 655 = 0,1832
__
c) P(T N) = P (T) + P(N) = 0,2443 + 0,5725 = 0,8168
d) P( N ) = 1 P(N) = 1 0,5725 = 0,4275
e) En c) se aplic el 3er. axioma del lgebra de probabilidades (axioma de la probabilidad total de sucesos
mutuamente excluyentes) y en d) la 3 propiedad (teorema de la probabilidad del suceso complementario).

PROBABILIDADES EN EXPERIMENTOS COMPUESTOS POR REPETICIN

El proceso de tomar al azar dos o ms elementos de la poblacin, constituye un experimento aleatorio
compuesto por repeticin de uno simple. El objetivo de estos experimentos es armar muestras de tamao
n 2.
Hay que aclarar que en el armado de las muestras, usualmente se pretende que haya independencia entre
las n unidades de observacin seleccionadas, es decir que las respuestas de una entrevista, por ejemplo, no
influyan ni condicionen los resultados de la siguiente entrevista, bsicamente porque en los trabajos de
campo se hace muy difcil medir esa influencia o sea la dependencia.
Quiere decir, entonces, que tenemos dos tipos experimentos compuestos por repeticin de uno simple: uno
con independencia entre repeticiones (que es el que realmente interesa en los trabajos de campo) y otro
con dependencia. Para cada uno de ellos, desarrollaremos a continuacin un ejemplo.
9
Tomado de: Estadstica Gua de Ejercicios, UNLM Prometeo Libros. 2003
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 8

Tomemos entre la poblacin de inscriptos en esa materia (655 alumnos) una muestra de tamao n = 2.
Para describir el espacio muestral podemos ayudarnos con un diagrama de rbol, donde cada una de las
ramas representa a cada uno de los elemento compuestos del espacio muestral:

M T

T T

N T

El espacio muestral es: E = { MM, MT, MN, TM, TT, TN, NM, NT, NN }
En primera instancia trabajaremos con el modelo que ms nos interesa, el de independencia entre las n
extracciones y para conseguirlo aqu recurrimos al recurso de reponer la unidad de observacin tomada al
azar devolvindola a la poblacin. En el ejemplo, se repone al grupo el alumno seleccionado la primera
vez, y el rbol con probabilidades incluidas queda:

120 / 655 M

120/655 M 160 / 655 T

375 / 655 N

120 / 655 M

160 / 655 T 160 / 655 T

375 / 655 N

120 / 655 M

375 / 655 N 160 / 655 T

375 / 655 N

Como se ve, las probabilidades en la segunda extraccin no cambiaron con respecto a las probabilidades
de la primera y por lo tanto hay independencia de la 2 respecto de la 1. No perdamos de vista, que
reponer es slo el recurso que tenemos aqu para trabajar sobre un modelo de independencia, porque en el
armado de muestras reales no se repone (no se le da la oportunidad a una misma persona de ser
entrevistada dos veces, si por azar vuelve a salir).
Las probabilidades que acompaan a la primera seleccin son probabilidades totales:
P(M1) = 120/655 P(T1) = 160/655 P(N1) = 375/655
Tambin son totales, las probabilidades que acompaan la 2 extraccin, porque no hubo cambios.

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 9

A continuacin nos preguntamos cul es la probabilidad de que ambos integrantes de la muestra estn
inscriptos a la tarde? o lo que es lo mismo cul es la probabilidad de que el primer integrante est a la
Tarde y el segundo integrante tambin est a la Tarde?:
P (TT)
La respuesta se da calculando la probabilidad compuesta:
P(TT) = P( T T ) = P (T) . P(T) = 160 x 160 = 25.600 = 0,0597
655 655 429.025
Otra pregunta: cul es la probabilidad de que entre los dos seleccionados, ninguno sea de la tarde?:
P (MM o MN o NM o NN) = P (MM MN NM NN) = P(MM) + P(MN) + P(NM) + P(NN) =
(aqu se aplica el 3er. axioma del lgebra de las probabilidades, porque los sucesos elementales son
mutuamente excluyentes)
= P(M M) + P(M N) + P(N M) + P(N N) =
Como el experimento es con reposicin (es decir que hay independencia entre las extracciones):
= P(M) . P(M) + P(M) . P(N) + P(N) . P(M) + P(N) . P(N) =
= 120 x 120 +120 x 375 +375 x 120 + 375 x 375 = 0,5711
655 655 655 655 655 655 655 655

Abordaremos ahora el experimento en que los resultados de la segunda seleccin son dependientes de
los resultados de la primera. Aqu, el recurso ser no reponer el elemento que salga en la primera
extraccin. El rbol con probabilidades es:
119 / 654 M2

120 / 655 M1 160 / 654 T2

375 / 654 N2

120 / 654 M2

160 / 655 T1 159 / 654 T2

375 / 654 N2

120 / 654 M2

375 / 655 N1 160 / 654 T2

374 / 654 N2

Las probabilidades que acompaan a la segunda seleccin son probabilidades condicionales.

P(M2/M1) = 119/654 P(T2/M1) = 160/654 P(N2/M1) = 375/654
P(M2/T1) = 120/654 P(T2/T1) = 159/654 P(N2/T1) = 375/654
P(M2/N1) = 120/654 P(T2/N1) = 160/654 P(N2/N1) = 374/654
El conjunto de todas las probabilidades compuestas que se calculan por afuera del rbol son:
P (MM) = P( M1 M2 ) = P (M1) . P(M2 / M1)
P (MT) = P( M1 T2 ) = P (M1) . P(T2 / M1)
P (MN) = P( M1 N2 ) = P (M1) . P(N2 / M1)
P (TM) = P( T1 M2 ) = P (T1) . P(M2 / T1)
P (TT) = P( T1 T2 ) = P (T1) . P(T2 / T1)
P (TN) = P( T1 N2 ) = P (T1) . P(N2 / T1)
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 10

P (NM) = P( N1 M2 ) = P (N1) . P(M2 / N1)

P (NT) = P( N1 T2 ) = P (N1) . P(T2 / N1)
P (NN) = P( N1 N2 ) = P (N1) . P(N2 / N1)
El plateo para responder las mismas preguntas anteriores, ahora se desarrollan as.
P (TT) = P( T1 T2 ) = P (T1) . P(T2 / T1) = 160 x 159 = 0,0594
655 654
P (MM o MN o NM o NN) = P (MM MN NM NN) = P(MM) + P(MN) + P(NM) + P(NN) =
Como el experimento es sin reposicin (hay dependencia de la 2 extraccin respecto de la 1):
= P(M1) . P(M2/M1) + P(M1) . P(N2/M1) + P(N1) . P(M2/N1) + P(N1) . P(N2/N1) =
= 120 x 119 +120 x 375 +375 x 120 + 375 x 374 = 0,5708
655 654 655 654 655 654 655 654

PROBABILIDADES EN EXPERIMENTOS COMPUESTOS BIVARIADOS

El objetivo de estos experimentos es estudiar si dos variables estn relacionadas.
En el cuaderno II pg.7 se present una tabla bivariada relativa a 40 tipos de aceite, donde las variables
involucradas son el modo de regulacin y el nivel de aumento de precios en el mercado interno.

modo de regulacin Regulado por las Escapa a la regulacin

transnacionales de las transnacionales
aument
mucho 27 2
poco 3 8

Dividiendo cada una de las frecuencias absolutas por el total (40) obtenemos frecuencias relativas
conjuntas. Si consideramos a los 40 tipos de aceites como poblacin, podemos crear un ambiente de
experimento aleatorio tomando al azar un tipo de aceite y hacernos preguntas tales como cul es la
probabilidad de que el tipo seleccionado est regulado por las transnacionales y haya aumentado mucho?.
La respuesta es: P(Reg. Mucho) = 27 / 40 = 0,6750
Si calculamos la probabilidad para cada uno de los restantes casilleros tendremos:
P(Reg. Poco) = 3 / 40 = 0,0750
P(No Reg. Mucho) = 2 / 40 = 0,0500
P(No Reg. Poco) = 8 / 40 = 0,2000
Con las probabilidades compuestas calculadas, elaboramos una tabla de contingencias:

modo de regulacin Regulado por las Escapa a la regulacin

transnacionales de las transnacionales
aument
mucho 0,6750 0,0500
poco 0,0750 0,2000
Si la ampliamos de la manera que sigue, tendremos adems probabilidades totales:

modo de regulacin Regulado por las Escapa a la regulacin

transnacionales de las transnacionales Total
aument
mucho 0,6750 0,0500 0,7250
poco 0,0750 0,2000 0,2750
Total 0,7500 0,2500 1
____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 11

A las probabilidades totales por su ubicacin en la tabla se las llama tambin probabilidades marginales.
Adems de preguntas que involucren probabilidades compuestas, con la tabla de contingencias podemos
responder directamente preguntas del tipo:
- Si se toma un tipo de aceite al azar, cul es la probabilidad de que est regulado por las
transnacionales?. Respuesta: P(Reg.) = 0,7500
- Si se toma un tipo de aceite al azar , cul es la probabilidad de que haya aumentado mucho?.
Respuesta: P(Mucho) = 0,7250
Por afuera de la tabla de contingencias, calculamos las probabilidades condicionales que se originan a
partir de preguntas tales como:
- Si tomamos un tipo de aceite al azar entre los regulados por las transnacionales, cul es la
probabilidad de que l haya aumentado mucho?. Respuesta:
P(Mucho / Reg.) = P ( Mucho Reg.) = 0,6750 = 0,9000
P(Reg.) 0,7500
- Si tomamos al azar un tipo de aceite y resultara que aument mucho, cul es la probabilidad de que l
est regulado por las transnacionales?. Respuesta:
P(Reg./ Mucho) = P ( Mucho Reg.) = 0,6750 = 0,9310
P(Mucho) 0,7250
Si tenemos en cuenta que la variable Modo de Regulacin puede ser considerada como la causa y la
variable Aumento como el efecto, se ve que la primera de las dos condicionales explora la probabilidad
del efecto (Mucho) a partir de una determinada causa (Regulado). A este enfoque de la probabilidad
condicional se lo considera clsico:
P ( efecto / causa) la condicin es la causa
La segunda de las dos probabilidades condicionales, explora la causa (Reg.) a partir de la supuesta y
previa ocurrencia del efecto (mucho). Este enfoque se debe a Thomas Bayes10 (1702-1761) y se llama
precisamente enfoque bayesiano o de la probabilidad condicional de las causas:
P ( causa / efecto) la condicin es el efecto
11
Problema :
Se ha observado las frecuencias relativas probabilidad con que se producen accidentes en una autopista
podemos suponer que en el relevamiento previo las unidades de observacin fueron das y en una
determinada franja horaria y sobre esa base tambin las frecuencias de los embotellamientos, tal como se
indica en el siguiente diagrama:
P(Embotellamiento) = 0,95
P(Accidente) = 0,2
P(No embotellamiento) = 0,05

P(Embotellamiento) = 0,15
P(No accidente)= 0,8
P(No embotellamiento) = 0,85
Cabe aclarar que la informacin del rbol podra haber sido dada en prosa, como sigue:
Se ha observado frecuencialmente la probabilidad de que en un da cualquiera se produzca un accidente
en una autopista podemos suponer que la unidad de observacin fue el da es del 20%. Tambin se
observ frecuencialmente que en el 95% de los das con accidente hubo embotellamientos y que estos se
produjeron slo en el 5% los das sin accidente.
a) Interpretar las probabilidades totales de las causas y las condicionales clsicas.
10
An essay towars solving a problem in the doctrine of chances. (publicado pstumamente en 1764).
11
Tomado y adaptado de: Estadstica Gua de Ejercicios, UNLM Prometeo Libros. 2003

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD 12

b) Calcular las probabilidades conjuntas.

c) Calcular e interpretar las probabilidades totales de los efectos.
d) Calcular e interpretar las probabilidades condicionales bayesianas.
En el rbol hay probabilidades totales de las causas:
P(Accidente) = 0,20
P(No accidente) = 0,80
y probabilidades condicionales clsicas:
P(Embotellamiento / Accidente) = 0,95
P(No embotellamiento / Accidente) = 0,05
P(Embotellamiento / No accidente) = 0,15
P(No embotellamiento / No accidente) = 0,85
Hay que resaltar que ambas probabilidades se basan en observaciones de campo: fueron medidas. Y las
frecuencias relativas de campo se transformaron en probabilidades.
Leyndolas simplemente, podemos decir que si tomamos un da cualquiera al azar (en esa franja horaria),
la probabilidad de que en l ocurra un accidente es de 0,20. O tambin que si en ese da ocurriera un
accidente, la probabilidad de que en consecuencia se produzca un embotellamiento es de 0,95.
Qu pasa si nos preguntamos por la probabilidad total de algn efecto?. Por ejemplo, para un da tomado
al azar, cul es la probabilidad de que haya embotellamiento?:
P(embotellamiento)
Como ella, las probabilidades totales de los efectos no son observaciones de campo. No estn en el rbol.
Hay que calcularlas.
Y si nos preguntamos por una probabilidad condicional bayesiana?. Por ejemplo, si en un da tomado al
azar se detectara embotellamiento, cul es la probabilidad de que l haya sido causado por un accidente?.
Para nuestro caso, las probabilidades condicionales bayesianas no se desprenden de las observaciones de
campo. Hay que calcularlas.
A continuacin vamos a construir una tabla de contingencias, calculando las probabilidades compuestas a
partir de las probabilidades totales de las causas y las probabilidades condicionales clsicas que estn,
ambas, en el rbol.

Accidente
Accidente no accidente Total
Embotellamiento
embotellamiento 0,1900 0,1200
no embotellamiento 0,0100 0,6800
Total 0,2000 0,8000 1

Aqu las probabilidades totales de las causas 0,20 y 0,80 son transcriptas desde el rbol, y las conjuntas
fueron calculadas de la siguiente manera:
P(accidente embotellamiento) = P(accidente) x P(embotellamiento/accidente) = 0,2 x 0,95 = 0,19
P(accidente no embotellam.) = P(accidente) x P(no embotellam./accidente) = 0,2 x 0,05 = 0,01
P(no accidente embotellam.) = P(no accidente) x P(embotellam./no accidente) = 0,8 x 0,15 = 0,12
P(no accidente no embotell.) = P(no accidente) x P(no embotell./no accidente) = 0,8 x 0,85 = 0,68
Lo que primero podemos hacer con ellas es calcular las probabilidades totales de los efectos:
____________________
Mario Enrique Borgna
 NOTAS DE ESTADSTICA VII - PROBABILIDAD 13

Accidente
accidente no accidente Total
Embotellamiento
embotellamiento 0,1900 0,1200 0,3100
No embotellamiento 0,0100 0,6800 0,6900
Total 0,2000 0,8000 1
Es decir:
P(embotellamiento) = P(accidente embotellamiento) + P(no accidente embotellamiento)
P(no embotellamiento) = P(accidente no embotellamiento) + P(no accidente no embotellamiento)
Repasando todo el camino realizado para llegar al 0,3100 por ejemplo, nos queda una expresin general
para calcular la probabilidad total de un efecto, a partir de las probabilidades totales de sus causas y de las
probabilidades condicionales de los efectos dadas las causas (clsicas):
P(embotell.) = P(accidente) x P(embotell./accidente) + P(no accidente) x P(embotell./no accidente)
Generalizando:

P (efecto) = P (causa i) x P(efecto / causa i) + P (causa j) x P (efecto / causa j) + P(causa k) x P(efecto / causa k)

Expresin que corresponde al llamado Teorema de la probabilidad total de los efectos.

Calculadas las probabilidades totales de los efectos, pueden entonces calcularse las probabilidades
condicionales bayesianas. Para nuestro problema seran:
P(accidente / embotellamiento) = P(accidente embotellamiento) = 0,19 = 0,6129
P(embotellamiento) 0,31
P(no accidente / embotellamiento) = P(no accidente embotellamiento) = 0,12 = 0,3871
P(embotellamiento) 0,31

P(accidente / no embotellamiento) = P(accidente no embotellamiento) = 0,01 = 0,0145

P(no embotellamiento) 0,69

P(no accidente / no embotellamiento) = P(no accidente no embotellamiento) = 0,68 = 0,9855

P(no embotellamiento) 0,69

Generalizando:

P (causa i /efecto) = P(causa i) x P(efecto / causa i) .

P (causa i) x P(efecto / causa i) + P (causa j) x P (efecto / causa j) + P(causa k) x P(efecto / causa k)

Expresin del llamado Teorema de Bayes o Teorema de la probabilidad condicional de las causas.
Que no es ms que el clculo que hicimos anteriormente, pero totalmente desagregado..

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD
14

Elementos de METODOLOGA ESTADSTICA en el tratamiento de las probabilidades

- En los experimentos aleatorios simples y tambin en los compuestos bivariados, todo el conocimiento que se
tenga previamente de la poblacin, usualmente la distribucin de frecuencias relativas simples o relativas
conjuntas segn el caso, se pone al servicio exclusivamente de una sola extraccin aleatoria. Luego,
siguiendo la misma consigna, todo se vuelve a repetir una y otra vez cuando el objetivo sea tomar varios (n)
elementos de la poblacin o sea elaborar una muestra.
- Si dos variables (que se tratan mediante una tabla conjunta o un rbol) no tienen un vnculo causa/efecto real,
puede aplic rseles igual la estructura de clculo del teorema de bayes, pero a la interpretacin no debe drsele
ninguna connotacin bayesiana. Es decir, que al no existir causa/efecto slo habr probabilidades totales y
condicionales a secas.
ERRATAS observadas en la enseanza-aprendizaje de la probabilidad.
- Considerar al lgebra de las probabilidades como una tercera definicin de probabilidad (defini-
cin axiomtica) superadora de las dos definiciones propiamente dichas. Esta definicin, por un lado, es
fallida porque no llega a cubrir los requerimientos conceptuales de una definicin propiamente dicha: en rigor
no aborda, soslayndola, la esencia de lo que se pretende definir. Y por otro lado desnaturaliza el rol para el
cual se disea un lgebra, como lo es el de proveer suficientemente de un conjunto de operaciones a un
corpus terico/conceptual (preexistente, para el caso que nos ocupa).
- Como consecuencia de la errata sealada anteriormente, algunos cursos y apuntes universitarios incurren
en la invisibilizacin de la definicin frecuencial, ignorndola sistemticamente, reservando a la definicin
clsica slo el papel de curiosidad histrica. Curiosa y paradjicamente, esos mismos cursos y apuntes
abundan en el enfoque frecuencial, sin explicitarlo, al desarrollar problemas y ejercicios.
- Incorrecta conceptualizacin de la equiprobabilidad (dada en pg.4 y glosario de pg.7) al referirla a
sucesos, y no como un principio que debe cuidarse al momento de tomar un elemento de la poblacin.
- Llamar conjunto a los sucesos aleatorios, como si fueran sinnimos. En trminos estadsticos, lo que hay
es un evento o suceso aleatorio que involucra a un grupo o conjunto (ah s) de resultados aleatorios.
Estadstica y sociedad.
En nuestra vida diaria vivimos haciendo especulaciones de tipo probabilstico a partir de hechos que nos tocan
de cerca o no y usamos bien, con un buen grado de formalizacin, palabras como aleatorio y probabilidad.
Aplicamos rigurosamente la definicin frecuencial de probabilidad (sin enunciarla por supuesto) al
especular, basados en nuestro conocimiento y/o experiencia anterior, sobre la posible ocurrencia o no de un
hecho con caractersticas que reconocemos. Y aunque no le pongamos un nmero entre 0 y 1 a nuestra
especulacin probabilstica, rutinariamente nos animamos a asociarle algn porcentaje.
La probabilidad condicional clsica participa regularmente de nuestra vida. Por ejemplo: si reconocemos
ciertas condiciones meteorolgicas (causas) especulamos sobre el comportamiento (efectos) del clima durante
las prximas horas de nuestro da de actividades. O tambin: conociendo los antecedentes de corrupcin (causa)
que rodean a ciertos polticos y/o empresarios podemos inferir, con un grado de probabilidad, que su eventual
participacin en cargos pblicos estaran tambin marcada por la corrupcin. Uno de los casos paradigmticos
es el del intendente actual de la ciudad de Bs.As.( Mauricio Macri), para quien todos sus antecedentes de
lumpen-empresario/poltico (causas), permitan inferir con una alta probabilidad que su gestin estara
fuertemente marcada por la corrupcin (efecto), tal como los hechos hoy lo estn demostrando.
Tambin la probabilidad condicional bayesiana interviene frecuentemente en nuestra vida cotidiana,
cuando ante un hecho ocurrido (efecto) elaboramos opiniones que conjeturan sobre las causas. Por ejemplo:
cada vez que nos enteramos de algn violento secuestro extorsivo (efecto), lo usual es inferir que es muy
probable que en ese hecho est involucrado algn polica o algn personal de seguridad (causas). La
construccin de tal opinin es genuinamente bayesiana y es el resultado de la acumulacin (consciente o
inconsciente) durante aos, de informacin sobre esa problemtica.

____________________
Mario Enrique Borgna
NOTAS DE ESTADSTICA VII - PROBABILIDAD

RELACIONES ENTRE SUCESOS ALEATORIOS TIPOS DE PROBABILIDAD

EXCLUSIN INDEPENDENCIA TOTAL COMPUESTA CONDICIONAL

E
los
A
B sucesos P(A B) = P(A B) =
son DEPENDENCIA P(A / B) = 0
MUTUAMENTE FUERTE = P(A) + P(B) = P() = 0
EXCLUYENTES

E P(A B) =
INDEPENDENCIA P(A / B) = P(A)
son = P(A) . P(B)
A B
NO P(A B) =
EXCLUYENTES
= P(A) + P(B) P(A B) P(A B) = P(A / B) =
DEPENDENCIA
= P(B) . P(A / B) = P(A B)
P(B)

A uno
B incluye DEPENDENCIA P(A B) = P(A) P(A B) = P(B) P(A / B) = 1
al FUERTE
otro

__________________
MARIO ENRIQUE BORGNA