PROBABILIDADES, DESVIACION ESTANDAR Y COEFICIENTE DE

VARIACION

1. PROBABILIDAD

1.1. SOBRE LA HISTORIA DE LA PROBABILIDAD

No tenemos certera precisión sobre el origen de la palabra azar. En 1959 Kendall

nos dice que la palabra azar deriva del vocablo árabe al zhar con el cual
nombraban un dado. El término se introdujo en Europa con motivo de las
cruzadas.

Pinturas, grabados y utensilios encontrados en las tumbas egipcias del Imperio

Antiguo, nos muestran que 3500 años a.C. el hombre practicaba juegos de azar.

A Palamedes, héroe griego de la guerra de Troya, se le atribuye la invención de

los juegos de damas, dados y tabas con los cuales se entretenían los soldados
durante el asedio. En diez años de duración era oportuno llenar el tiempo de los
guerreros.

Entre los primeros juegos está el de astrágalos, y parece ser que de él deriva el
juego de dados, imitando al hueso con trozos de piedra tallada para darle
posteriormente la forma de un cubo. Los juegos de cartas son también antiguos
y orientales. Se sabe que su práctica existía en la antigua China, en la India,
Arabia y Egipto.

Estos juegos de azar proliferan en Europa en la segunda mitad del siglo XIV y
se les llega a atribuir un sentido religioso uniendo el resultado del juego a los
designios de la divinidad. Por este motivo la Iglesia y ciertos monarcas los
prohibieron considerándolos prácticas ilegales. Pese a tales preceptos, la
práctica de juegos de azar era habitual en gentes de toda condición hasta la
modernidad.

Todas estas prácticas carecían de cuerpo establecido de doctrina científica, pero

motivan los primeros intentos para organizar esta ciencia del azar. Los primeros
escritos sobre juegos se deben a Luca Pacioli (1445?-1514) en su «Summa
arithmetica», publicada en 1494, a Cardano (1501-1576) con su obra «Liber de
judo I. E. S. LLANES Estadística. 2º Bachillerato. Curso 2007/2008 87 aleae»
de 1663 ya Galileo (1564-1642) con «Sopra le scoperte de i dadi» donde se
establece que los resultados de cada cara son equiprobables en el lanzamiento
de un dado.

Se atribuye a Galileo la resolución correcta de decidir qué jugador tiene más

ventaja de entre dos que, en el lanzamiento simultáneo de tres dados, uno de
ellos apuesta por una suma de puntos igual a nueve y el otro lo hace a obtener
diez. Pacioli había recomendado el reparto equitativo en base a las
posibilidades de ganar para dos jugadores que tienen que abandonar el juego.

Para Galileo la probabilidad es una medida de la incapacidad humana. Al no

tener certeza sobre el resultado del lanzamiento de una moneda, nos
justificamos diciendo que la probabilidad de que se obtenga cara en el
lanzamiento es 0,5. Esta idea es retomada por Poincaré, quien afirma que el
azar es solamente la medida de nuestra ignorancia.

Se acepta considerar el origen del Cálculo de Probabilidades en la

correspondencia mantenida entre dos grandes matemáticos franceses del siglo
XVII, B. Pascal (1623- 1662) y P. Fermat (1601-1665). La comunicación fue
iniciada por Pascal ante las insistentes peticiones de su amigo el caballero De
Méré, quien en 1654 le planteó diversas cuestiones sobre juegos y
probabilidades.

La moda extendida de cruzar apuestas fue el ambiente propicio para que se

pusieran los recursos matemáticos en pro de la tarea de crear una ciencia sobre
las arenas movedizas del azar. Pascal y Fermat pusieron en sus
comunicaciones los fundamentos de la Probabilidad como disciplina típicamente
matemática.

El primer tratado importante sobre probabilidad es el «Ars conjectandi» de

Jacques Bemoulli (1654-1705), publicado en 1713 con posterioridad a la muerte
del autor. La obra incluye reproducido el «De ludo aleae» de Huygens, que era
un tratado introductorio al Cálculo de Probabilidades.
 2. Experimentos aleatorios

Las probabilidades aparecen asociadas a los fenómenos aleatorios. Un

fenómeno aleatorio es aquel en el cual la verificación de un cierto conjunto de
condiciones determinadas conduce a un resultado entre una serie de resultados
posibles. Llamamos experimento aleatorio a ese conjunto de condiciones
determinadas. Por contraposición, los fenómenos determısticos, como aleatorios
son aquellos en los que la verificación de un cierto conjunto de condiciones
determinadas conduce, en forma inevitable, a un resultado fijo.

Como ejemplos: tirar una moneda al aire y observar la cara que presenta al caer
al piso es un experimento aleatorio (tenemos dos resultados posibles: cara y
numero); mientras que enfriar agua hasta cero grados centígrados bajo presión
atmosférica normal es un fenómeno determinıstico (conduce inequívocamente a
la formación de hielo).

3. Sucesos

Consideremos un experimento aleatorio, y designemos mediante la letra griega

mayúscula (Omega) el conjunto de todos sus resultados posibles. Llamamos a
este conjunto espacio de sucesos elementales, y a sus puntos sucesos
elementales o también casos posibles. Suponemos que es un conjunto finito y
utilizamos la letra n para designar su cantidad de elementos.

Ejemplo 1. Si tiramos una moneda al aire, tenemos un experimento aleatorio

con = {cara, numero},

y resulta n = 2.

Ejemplo 2. Si tiramos un dado, tenemos seis resultados posibles,

= {1, 2, 3, 4, 5, 6}
y en este caso n = 6.
Ejemplo 3. Si lanzamos un dado dos veces consecutivas, tenemos 36 casos
posibles, resultantes de combinar el primer resultado con el segundo, que
podemos representar en la siguiente tabla:

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

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

Donde, por ejemplo, el caso (3, 4) representa el resultado correspondiente a

obtener 3 puntos en la primera tirada y 4 en la segunda.

Llamamos suceso a cada subconjunto de . Designamos a los sucesos

mediante las letras A,B,C, . . . con subíndices o sin ellos. Los sucesos pueden
tener uno o varios elementos, y también ningún elemento. En este ´ultimo caso
tenemos el suceso imposible, que designamos mediante. En el ejemplo
3, el conjunto

A = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6)}

es un suceso, y corresponde a obtener un as en la primer tirada del dado.

Los puntos que componen un suceso se llaman casos favorables para la
ocurrencia de dicho suceso.
El surgimiento de la teoría de la probabilidad es muy anterior a la creación de la
teoría de conjuntos. Por esto, desde su mismo inicio, en teoría de la probabilidad
se utilizo (y continua utilizándose) una terminóloga especifica, diferente de la
terminología utilizada en teoría de conjuntos. En la página
11 se presenta una tabla de términos de teoría de conjuntos, junto con los
correspondientes términos del cálculo de probabilidades, que introducimos y
utilizamos a lo largo de este curso. Las letras A, B, C,. . ., con índices o sin ellos,
designan a los sucesos, es decir, a los subconjuntos de .
 4. Probabilidad

Definición 1. Dado un experimento aleatorio con un espacio de n sucesos

elementales, la probabilidad del suceso A, que designamos mediante P(A), es
la razón entre la cantidad de casos favorables para la ocurrencia de A y la de
casos posibles. En otros términos

donde nA es la cantidad de casos favorables de A.

Veamos tres observaciones que resultan de esta definición.

1) Observación. De la definición dada se obtiene que cada suceso elemental
tiene probabilidad 1/n. Decimos en este caso que los sucesos son
equiprobables.
Esta es una característica muy importante de la definición, que establece
limitaciones en su aplicación en aquellos experimentos aleatorios donde este
supuesto sea razonable.
2) Observación. La probabilidad es un número no negativo, y menor o igual
que 1, es decir, para cualquier suceso A tenemos
0 ≤ P(A) ≤ 1.
3) Observación. Como el conjunto vacio ∅ es un subconjunto de sin
elementos, tenemos que su probabilidad es nula, es decir P(∅ ) = 0. Es
por esto que lo llamamos suceso imposible. (Ver tabla en la pagina 6.)
Por otra parte obtenemos que P( ) = 1, por lo que llamamos suceso seguro al
espacio de sucesos elementales .

Ejemplo 4. Calcular la probabilidad de que al tirar un dado dos veces

consecutivas, la suma de los puntos obtenidos sea no menor que 8.
Solución. Designemos por (i, j) al resultado del experimento consistente en tirar
un dado dos veces consecutivas, y obtener i puntos en el primer tiro y j puntos
en el segundo (i, j = 1, 2, 3, 4, 5, 6). El conjunto de sucesos elementales que
describe los resultados de un experimento de este tipo, se compone de 6×6 = 36
puntos de la forma (i, j), y puede ser representado en la siguiente tabla:

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

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

El suceso A consiste en que la suma de los puntos obtenidos es no menor que

8. Es claro, que los casos favorables para la ocurrencia del suceso A son los
son indicados en la tabla. La cantidad de estos sucesos es 15. Considerando
que los 36 resultados posibles son equiprobables, y aplicando la definición de
probabilidad, obtenemos P(A) = 15/36 = 5/12.

5. Probabilidad y Permutaciones

En vista de la definición que dimos de probabilidad, basada en las cantidades

de casos favorables y de casos posibles, la determinación de la probabilidad de
un suceso se reduce en muchos casos a problemas de combinatoria, en
particular al cálculo de permutaciones.
Podemos disponer dos letras distintas A, B una luego de la otra de dos formas
distintas:
AB, BA.
Tres letras se pueden disponer en forma sucesiva ya de seis maneras:
ABC, ACB
BAC, BCA
CAB, CBA
Para cuatro letras obtenemos 24 formas diferentes de disponerlas
sucesivamente:
 ABCD, ABDC, ACBD, ACDB, ADBC, ADCB
BACD, BADC, BCAD, BCDA, BDAC, BDCA
CABD, CADB, CBAD, CBDA, CDAB, CDBA
DABC, DACB, DBAC, DBCA, DCAB, DCBA

¿De cuantas formas se pueden disponer diez letras en forma sucesiva? Escribir
todas las formas parece difícil. Para responder esta pregunta es desable tener
una regla general, una formula, que nos permita calcular directamente la
cantidad de formas distintas de disponer n letras en forma sucesiva. Esta
cantidad se designa mediante el símbolo n! (la letra n seguida de un símbolo de
exclamación) y se llama el factorial de n, o, mas brevemente, n-factorial.

Calculemos esta cantidad. Hemos visto, que

2! = 2, 3! = 6, 4! = 24.

Llamamos permutación a cada forma de disponer una cantidad dada de

letras en forma sucesiva. Es claro que en vez de letras podemos disponer
cifras, o cualquier otro elemento. La cantidad de permutaciones de 4 elementos
es 24. En general, la cantidad de permutaciones de n elementos es n!.
Supondremos también que 1! = 1.
(Un solo objeto no se puede “permutar”, hay una única forma de ponerlo en una
sucesión).

Tenemos entonces:
1! = 1,
2! = 1 × 2 = 2,
3! = 1 × 2 × 3 = 6,
4! = 1 × 2 × 3 × 4 = 24.
Se plantea el siguiente resultado: la cantidad de permutaciones de n elementos
es igual al producto de los n primeros números naturales.
n! = 1 × 2 × 3 × · · · × n. (1)
Este resultado es cierto.
Para su demostración observemos que en caso de tener n elementos, en el
primer lugar podemos colocar cualquiera de ellos. En cada uno de estas n
situaciones restan n −1 elementos para disponer en n −1 lugares, lo que se
puede hacer en (n −1)! formas diferentes. Obtenemos entonces n× (n − 1)!
formas distintas de disponer n elementos:
n! = (n − 1)! × n. (2)

Con ayuda de la f´ormula (2) obtenemos:

2! = 1! × 2 = 1 × 2,
3! = 2! × 3 = 1 × 2 × 3,
4! = 3! × 4 = 1 × 2 × 3 × 4
5! = 4! × 5 = 1 × 2 × 3 × 4 × 5 = 120,
y así sucesivamente.

En términos mas formales, la demostración se basa en el principio de inducción

completa, el cual permite obtener la formula (1) a partir de la (2).
Ahora no es difícil calcular la cantidad de permutaciones de diez letras:
10! = 1 × 2 × 3 × 4 × 5 × 6 × 7 × 8 × 9 × 10 = 3 628 800.

Ejemplo 5. Calculemos la probabilidad de que al disponer al azar las letras A, D,

E, M, N, O, resulte exactamente la palabra MONEDA. Comencemos con los
casos favorables: tenemos 6 letras, que se pueden disponer de 6! =120 × 6 =
720 formas diferentes. Como existe un único caso favorable, la probabilidad
buscada es 1/720.

Ejemplo 6. Calculemos la probabilidad de que al disponer al azar las letras A, A,

A, N, N, resulte la palabra ANANA, Comencemos con los casos favorables:

tenemos 5 letras, que se pueden disponer de 5! = 120 formas diferentes.

Como hay letras repetidas el conteo de los casos favorables es más delicado.
Para eso etiquetamos cada letra con un número:

12345
ANANA
Tenemos dos posibilidades para las N, que corresponden a las formas de
disponer los números 2 y 4. Tenemos 6 posibilidades para las A, que son las
formas de disponer los números 1,3,5. Cada una de las formas de disponer las
N se combina con cada una de las formas de disponer las A, obteniendo 12
casos favorables. La probabilidad buscada es entonces 12/120=1/10.

6. Probabilidad y Combinaciones

Llamamos combinaciones de n tomadas de a m a la cantidad de formas de elegir

un subconjunto de m elementos de un conjunto formado por n elementos.
Por ejemplo, si tenemos las letras A, B, C, D, tenemos seis subconjuntos de dos
letras:
{A,B}, {A,C}, {A,D}, {B,C}, {B,D}, {C,D}.
Veamos como pueden calcularse las combinaciones a partir de los factoriales,
introducidos en la sección 4.

Mas precisamente, demostremos la formula

. (3)
Para verificar esta fórmula contamos las distintas formas de ordenar
sucesivamente los n elementos de un conjunto de dos maneras distintas.

En primer lugar sabemos que la cantidad de ordenaciones posibles son n!. Para
el segundo cálculo, elegimos m elementos del conjunto, que ordenamos en los
primeros m lugares de m! factorial formas distintas. Luego, ordenamos en los n
− m elementos restantes de (n − m)! formas distintas.
Por ultimo observamos que la primer elección de m elementos se puede hacer
de Cnm formas distintas. Es claro que cada elección de los m objetos, de su
orden, y del orden de los restantes produce una ordenación diferente del
conjunto inicial. Por otra parte, cualquier ordenación de este conjunto
corresponde a tener m primeros elementos en un orden dado, junto con otro
orden de los restantes.
En definitiva hemos demostrado que:

que es equivalente a la fórmula (3)

Ejemplo 7. Una urna contiene a bolas blancas y b bolas negras. Se eligen al azar
c bolas, donde c ≤ a + b. Calcular la probabilidad de que entre las bolas extraídas
haya a0 bolas blancas y b0 bolas negras.

Solución: Tenemos . Es claro que

la cantidad de formas distintas de elegir a0 + b0 bolas entre las a + b bolas de la

urna es . Todas estas formas serán consideradas equiprobables.

Continuando, la cantidad de formas distintas de elegir a0 bolas blancas entre las

a bolas blancas que hay en la urna, es y para cada una de las formas de

elección de a0 bolas blancas, existen formas distintas de elegir b0 bolas

negras entre las b bolas negras de la urna. Por esto, la cantidad de casos
favorables para la ocurrencia del suceso A, consistente en elegir a0 bolas

blancas y b0 bolas negras, es Según la definición de probabilidad,

tenemos:

7. Operaciones con sucesos

Llamamos suma o unión de los sucesos A y B al suceso compuesto tanto por

los sucesos elementales que componen A como por los que componen B. Los
sucesos elementales que componen tanto A como B se cuentan una sola vez.
Designamos mediante A U B a la suma de los sucesos A y B.
Ejemplo 8. Tiremos un dado, y designemos mediante A el suceso de obtener una
cantidad par de puntos; mediante B, una cantidad múltiplo de tres. El suceso A
= {2, 4, 6}, mientras que B = {3, 6}. Por eso A ∪ B = {2, 3, 4, 6}.
El resultado 6 aparece en ambos sucesos. Observemos que el suceso B se
puede obtener como la suma de los sucesos {3} y {6}.
La definición de suma de sucesos puede extenderse de forma natural a una
cantidad arbitraria de sucesos A,B, . . . ,K. La suma de los suceso anteriores,
que designamos A ∪ B ∪ · · · ∪ K, es el suceso compuesto por todos aquellos
sucesos elementales que componen por lo menos uno de los sucesos
elementales dados A,B, . . . ,K. De esta forma, el suceso A en el ejemplo anterior
del dado se puede obtener como unión de tres sucesos:
A = {2} U {4} U {6}.
Llamamos producto o intersección de dos sucesos A y B al suceso compuesto
por los sucesos elementales que componen tanto el suceso A como el suceso
B. Designamos mediante AB o también mediante A ∩ B a la intersección de los
sucesos A y B.
En el ejemplo anterior, correspondiente a tirar un dado, la intersección de los
sucesos A y B se compone de un único suceso elemental, el {6}, es decir AB =
{6}.
La definición de intersección de sucesos puede extenderse de forma natural a
una cantidad arbitraria de sucesos A,B, . . . ,K. La intersección de los sucesos
anteriores, que designamos A ∩ B ∩ · · · ∩ K, es el suceso compuesto por todos
aquellos sucesos elementales que componen, simultáneamente, cada uno de
los sucesos A,B, . . . ,K.
El suceso contrario a un suceso A, o su complemento, que designamos A, es el
suceso compuesto por todos los sucesos elementales que no componen
A. En el ejemplo de tirar el dado, tenemos A = {1, 3, 5}.

Ejercicios

1. Un blanco se compone de 5 círculos concéntricos con radios 0 < r1 <

r2 < r3 < r4 < r5. El suceso Ak consiste en acertar en el círculo de radio rk.

Explicar que significan los

2. Demostrar, que para dos sucesos A y B arbitrarios, las siguientes cuatro

relaciones son equivalentes: (a) A U B; (b) B U A; (c) A UB = B; (d) AB = .

3. Un trabajador fabrica distintos productos. Sea Ak (k = 1, . . . , n) el suceso que

consiste en que el producto k-´esimo sea defectuoso.
Escribir los sucesos: (a) ni uno de los productos es defectuoso; (b) por lo menos
uno de los productos es defectuoso; (c) solamente uno de los productos es
defectuoso.
 3. Se tiran dos dados en forma consecutiva. El suceso A consiste en que la
suma de puntos obtenidos sea par; el suceso B, en que por lo menos en
uno de los dados aparezcan 6 puntos. Describa los sucesos AUB, AB, AB,
AB.

5. Sean A y B sucesos arbitrarios. El suceso (A\B)∪(B\A) se denomina diferencia

simétrica entre los sucesos A y B, y se designa mediante A△B.

Demostrar que: (a) AUB = (AB)U(AUB); (b) AUA = ; (c) AU =A.

8. REGLA DE LA SUMA

Decimos que dos sucesos A y B son incompatibles cuando no tienen puntos en

común, es decir, su intersección es vacía: A ∩ B = ∅ .

Teorema 1 (Regla de la suma). La probabilidad de la suma de dos sucesos

incompatibles A y B es la suma de sus probabilidades, es decir

P(A U B) = P(A) + P (B). (4)

Demostración. Designemos mediante nA y nB a la cantidad de elementos de A

y B, respectivamente. Como A y B no tienen puntos en común, su unión AUB
tiene nA+nB puntos, que son los casos favorables para AUB. Entonces

donde la ultima igualdad se obtiene también por la definición de probabilidad.

Decimos que los sucesos A1, . . . ,Am son incompatibles dos a dos cuando todas
las parejas posibles de sucesos distintos son incompatibles, es decir, cuando Ai
∩ Aj = Ø.
Si A, B y C son tres sucesos incompatibles no es difícil establecer, teniendo en
cuenta el teorema anterior, que

P(A U B UC) = P(A) + P(B) + P(C).

Mas en general, si A1, . . . ,An son sucesos incompatibles dos a dos, la regla
de la suma es la fórmula

Esta fórmula incluye a las dos anteriores en los casos en que n = 2 y n = 3, y se

demuestra mediante la aplicación sucesiva de la fórmula (4).

9. PROPIEDADES DE LA PROBABILIDAD
La definición de probabilidad junto a la regla de la suma permiten obtener
importantes propiedades para el cálculo de probabilidades.
Propiedad 1. Para cualquier suceso A se tiene P(A) = 1 − P(A).
Demostración. Por definición de A (suceso contrario al suceso A), tenemos
A= \ A. De aquí resulta AA = ∅.
Como P () = 1, aplicando la regla de la suma concluimos que 1 = P () = P(A ∪
A) = P(A) + P(A).
10. Formula de la probabilidad total

Teorema 2. Sean A1, . . . ,An sucesos incompatibles dos a dos, los únicos
posibles, y con probabilidades positivas. Sea B un suceso arbitrario. Entonces

La igualdad (8) se denomina formula de la probabilidad total.

Demostración. Tenemos Los sucesos A1B, . . . ,AnB

son incompatibles dos a dos, por ser dos a dos incompatibles los sucesos
A1, . . . ,An. Aplicando la regla de la suma, tenemos

donde para obtener la ultima igualdad nos basamos en la definición de

probabilidad condicional (6).

Ejemplo 10.
Tenemos 5 cajones con productos de una cierta industria. Dos cajones contienen
cada uno 4 productos buenos y 1 fallado; otros dos cajones contienen cada uno
3 productos buenos y 2 fallados; y el ´ultimo cajón contiene 6 productos buenos.
Se elige al azar un cajón, del cual, también al azar, se extrae un producto.
Calcular la probabilidad de que el producto extraído resulte bueno.
Solución. Designemos mediante B al suceso consistente en que el producto
extraído sea bueno. Tenemos cajones con tres composiciones distintas de
productos, y designamos mediante Ai (i = 1, 2, 3) al suceso consistente en elegir
un cajón con una de las composiciones dada. De esta forma (por ejemplo) se
tiene: el suceso A1 consiste en elegir un cajón conteniendo 4 productos buenos
y 1 fallado; el suceso A2 consiste en elegir un cajón conteniendo 3 productos
buenos y 2 fallados; el suceso A3 consiste en elegir
el cajón que contiene 6 productos buenos. Es claro que los sucesos A1,A2 y A3
son incompatibles dos a dos, y son los únicos posibles, de modo que según la
formula (8), tenemos

Ejemplo 11. En una cierta población de hombres hay un 30% de fumadores.

Se sabe que la probabilidad de enfermarse de cáncer de pulmón es igual a
0,1 para los fumadores, e igual a 0,01 para los no fumadores. Calcular la
probabilidad de que un hombre elegido al azar en esta población este enfermo
de cáncer de pulmón.
Solución. Designemos con la letra B al suceso consistente en que el hombre
elegido tenga esta enfermedad. El suceso A consiste en elegir un fumador de
la población. Sabemos que P(A) = 0,3, y que P(A) = 0,7 (el suceso A consiste
en elegir un no fumador de la población). Por la formula de la probabilidad total
tenemos

11. TEOREMA DE BAYER

Teorema 3. Sean A1, . . . ,An sucesos incompatibles dos a dos, los únicos
posibles, y con probabilidades positivas. Sea B un suceso con probabilidad
positiva. Entonces

La igualdad (9) se denomina formula de Bayes. Demostración. Por la definición

de probabilidad condicional, tenemos
De aquí obtenemos

Para obtener (9), resta aplicar la formula de la probabilidad total (8) en el

denominador.
Ejemplo 12. En una primer urna se tienen 9 bolas blancas y 1 negra, en una
segunda urna 9 bolas negras y 1 blanca. Se elige al azar una urna, y de ella,
también al azar, se extrae una bola. La bola extraída resulta ser blanca (ocurrió
el suceso B). Calcular las probabilidades P (A1 | B) y P (A2 | B), donde el suceso
Ai consiste en elegir la urna i (i = 1 ´o 2).

Por la formula de Bayer tenemos

Análogamente tenemos:

Alternativamente, una vez obtenida P (A1 | B) podemos calcular directamente

P (A2 | B) = 1 − P (A1 | B).
EJEMPLO1:

El parte meteorológico ha anunciado tres posibilidades para el fin de semana:

a) Que llueva: probabilidad del 50%.

b) Que nieve: probabilidad del 30%

c) Que haya niebla: probabilidad del 20%.

Según estos posibles estados meteorológicos, la posibilidad de que ocurra un

accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 20%.

b) Si nieva: probabilidad de accidente del 10%

c) Si hay niebla: probabilidad de accidente del 5%.

Resulta que efectivamente ocurre un accidente y como no estabamos en la

ciudad no sabemos que tiempo hizo (llovío, nevó o hubo niebla). El teorema de
Bayes nos permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un
accidente se denominan "probabilidades a priori" (lluvia con el 50%, nieve con el
30% y niebla con el 20%).

Una vez que incorporamos la información de que ha ocurrido un accidente, las

probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B),
que se denominan "probabilidades a posteriori".

Vamos a aplicar la fórmula:

a) Probabilidad de que estuviera lloviendo:

La probabilidad de que efectivamente estuviera lloviendo el día del accidente

(probabilidad a posteriori) es del 71,4%.
b) Probabilidad de que estuviera nevando:

La probabilidad de que estuviera nevando es del 21,4%.

c) Probabilidad de que hubiera niebla:

La probabilidad de que hubiera niebla es del 7,1%

EJEMPLO2 :

En una etapa de la producción de un artículo se aplica soldadura y para eso se

usan tres diferentes robots. La probabilidad de que la soldadura sea defectuosa
varía para cada uno de los tres, así como la proporción de artículos que cada
uno procesa, de acuerdo a la siguiente tabla.

robot defectuosos art. procesados

A 0.002 18 %
B 0.005 42 %
C 0.001 40 %

Ahora podemos hacernos un par de preguntas:

 Cuál es la proporción global de defectos producida por las tres máquinas.

 Si tomo un artículo al azar y resulta con defectos en la soldadura, cuál es
la probabilidad de que haya sido soldado por el robot C.

a) La primera pregunta nos va a llevar a lo que se conoce con el nombre de

fórmula de la probabilidad total.

Queremos conocer la proporción global de defectos delos tres robots. Después

de reflexionar un momento se ve que si todas las soldaduras las pusiera el robot
C, habría pocos defectos, serían 0.001 o 0.1%. En cambio, si todas las pone el
B, ¡sería un desastre!, tendríamos cinco veces más: 0.005 o 0.5%. De modo que
en nuestra respuesta debemos tener en cuenta las diferentes proporciones de lo
maquinado en cada robot.

Nuestra idea es empezar por descomponer el evento ``defectuoso'' en ``viene

del robot A y es defectuoso'' o ``viene del robot B y es defectuoso'' o ``viene del
robot C y es defectuoso''. En símbolos tendremos
 P(d) = P(A y d) + P(B y d) + P(C y d)

P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)

Antes de ponerle números y resolver nuestro problema fijémonos en la fórmula

obtenida.

Hay tres eventos A, B y C que son ajenos y cubren todo el espacio muestral.
Conocemos las probabilidades de cada uno de ellos.
Además, conocemos las probabilidades condicionales de otro evento dado cada
uno de ellos.

La fórmula de arriba se llama fórmula de la probabilidad total.

Llenando con nuestros números, tenemos que

P(d) = (0.18)(0.002) + (0.42)(0.005) + (0.40)(0.001)

o sea que P(d) = 0.00286 casi 3 piezas por cada mil.

Es bueno comparar este resultado con los porcentajes de soldaduras

defectuosas de cada robot por separado. Podemos ver que el resultado se
encuentra entre todas ellas y se encuentra relativamente cerca de los
porcentajes de los robots más utilizados (el B y el C). Esto es muy razonable.

b) La segunda pregunta es, a la vez más simple y más complicada. Nos va a

llevar a lo que se conoce con el nombre de teorema de Bayes.

La probabilidad que buscamos es una condicional pero al revés de las que

tenemos. Buscamos

P( C | d)

para calcularla usamos la definición de probabilidad condicional:

P( C | d) = [P(C y d)] / [P( d )]

El numerador (lo de arriba) lo calculamos con

P( C y d ) = P(C) P(d|C)

y el denominador lo calculamos con la fórmula de probabilidad total

P(d) = P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)

juntando las dos tenemos la fórmula de Bayes:

 P( C|d) = [P(C) P(d|C)] / [P(A) P( d|A) + P(B) P( d|B) + P(C) P( d|C)]
Aplicándola a nuestro caso tenemos

P(C|d) = [(0.40)(0.001)]/[(0.18)(0.002) + (0.42)(0.005) + (0.40)(0.001)]

o sea

P(C|d) = [0.0004]/[0.00286] = 0.1399 casi 14%.

O sea que si tomamos una pieza al azar, la probabilidad de que haya sido
soldada por el robot C es alta, 40%. Pero, como ese robot produce sólo 1 de
cada mil soldaduras defectuosas, al saber que la pieza seleccionada es
defectuosa, la probabilidad de que provenga del robot C disminuye a solamente
14%. Esto quiere decir que, en este caso el saber que la soldadura es
defectuosa, nos provee con una gran cantidad de información.

Si analizáramos, usando de nuevo la fórmula de Bayes las probabilidades de los

robots A y B, tendríamos

P(B|d) = 0.7343 y P(A|d) = 0.1259

Comparadas con las probabilidades de cada máquina sin saber que la pieza es
defectuosa vemos un gran incremento en la probabilidad de B.

Si, por el contrario la pieza no hubiese tenido defectos de soldadura, el mismo

teorema de Bayes nos daría (haga Ud. las cuentas y ¡fíjese que no me haya
equivocado yo!):

P(A|no d) = 0.1802 P(B|no d) = 0.4191 y P(C|no d) = 0.4007

Las probabilidades no son idénticas a las probabilidades no condicionales, pero

la diferencia es muy pequeña.

Para apreciar mejor el cambio, pongamos en una sola tabla las probabilidades
iníciales y las condicionales obtenidas bajo el conocimiento de la soldadura de
la pieza.

Robot P( ) P( |d) P( |no d)

A 0.18 0.1259 0.1802
B 0.42 0.7343 0.4191
C 0.40 0.1399 0.4007

Es tan grande el éxito de los tres robots en el soldado correcto que el saber que
la pieza no tiene defectos, prácticamente no altera las probabilidades de
producción en uno u otro.
Por el contrario, el robot C es tan bueno, comparado con el B que, al saber que
la pieza es defectuosa, las probabilidades cambian dramáticamente.

En este ejemplo el cálculo de probabilidades condicionales nos cuantifica algo

que el sentido común nos dice de otra forma. Note que la fórmula de Bayes nos
sirvió para pasar de las probabilidades no condicionales a las condicionales.

DESVIACION ESTANDAR

La desviación estándar o desviación típica (denotada con el símbolo σ) es

una medida de centralización o dispersión para variables de razón (ratio o
cociente) y de intervalo, de gran utilidad en la estadística descriptiva.

La desviación estándar es una medida de la dispersión de un conjunto de

puntajes alrededor de la media. Para obtener la desviación estándar se empieza
por restar la media de cada uno de los puntajes, con lo cual se llega a una nueva
serie de valores denominados puntajes de desviación. Luego se elevan al
cuadrado estos puntajes de desviación, se suman los cuadrados y se divide la
suma por el número de valores que integran la serie, con el fin de obtener la
desviación cuadrática media o variando. La desviación estándar es la raíz
cuadrada de la desviación cuadrática media o variancia.

La formula de la desviación estándar es la siguiente:

Desviación Estándar Desviación estándar de población

Σ = Suma de
X = puntuación individual
M = Media de todos los resultados
N = tamaño de muestra (número de puntuaciones)

Varianza:

Varianza = s2
 Desviación Estándar Método1 Ejemplo:
Para encontrar la desviación estándar de 1,2,3,4,5.

Paso 1: Calcular la media y la desviación.

X M (X-M) (X-M)2
1 3 -2 4
2 3 -1 1
3 3 0 0
4 3 1 1
5 3 2 4

Paso 2: Encuentra la suma de (X-M)2

4+1+0+1+4 = 10
Paso 3: N = 5, el total numero de eval.Find N-1.
5-1 = 4
Paso 4: Ahora encuentra la desviación estándar mediante la fórmula.
√10/√4 = 1.58113
Desviación Estándar Método Ejemplo: Para encontrar la desviación estándar
de 1, 2, 3, 4,5.

Paso 1: En primer lugar, cuadrados cada una de las puntuaciones.

x x2
1 1
2 4
3 9
4 16
5 25
Paso 2: Utilice la fórmula
s = raíz cuadrada de[(sum of Xsquared -((sum of X)*(sum of X)/N))/(N-1)]
= raíz cuadrada de[(55-((15)*(15)/5))/(5-1)]
= raíz cuadrada de[(55-(225/5))/4]
 = raíz cuadrada de[(55-45)/4]
= raíz cuadrada de[10/4]
=raíz cuadrada de[2.5]
s = 1.58113

COEFICIENTE DE VARIACION

Una medida que intenta incorporar en una única cifra el rendimiento sobre la
inversión prevista (medida como tipo medio de rendimiento) y el riesgo de la
inversión (medido como la desviación típica del tipo de rendimiento). El
coeficiente de variación, o CV, se calcula como la desviación típica dividida por
la media. El razonamiento es que cuanto más bajo es el CV, menor es el riesgo
por unidad de rendimiento. Esta medida se utiliza de manera muy errónea como
instrumento para comparar inversiones alternativas.
Relación estadística definida como la relación entre la desviación típica y la
media multiplicada por cien [Dornbusch y Schmid]. Coefficient of variability.
Coefficient of variation.
Una medida que intenta incorporar en una única cifra el rendimiento sobre la
inversión prevista (medido como tipo medio de rendimiento) y el riesgo de la
inversión (medido como la desviación típica del tipo de rendimiento). El
coeficiente de variación, o CV, se calcula como la desviación típica dividida por
la media. El razonamiento es que cuanto más bajo es el CV, menor es el riesgo
por unidad de rendimiento. Esta medida se utiliza de manera muy errónea como
instrumento para comparar inversiones alternativas.
Formula del coeficiente de variación:

Por ejemplo, si nos piden comparar la dispersión de los pesos de las poblaciones
de elefantes de dos circos diferentes, nos dará información útil.
¿Pero qué ocurre si lo que comparamos es la altura de unos elefantes con
respecto a su peso? Tanto la media como la desviación típica, y , se
expresan en las mismas unidades que la variable. Por ejemplo, en la variable
altura podemos usar como unidad de longitud el metro y en la variable peso, el
kilogramo. Comparar una desviación (con respecto a la media) medida en metros
con otra en kilogramos no tiene ningún sentido.

El problema no deriva sólo de que una de las medidas sea de longitud y la otra
sea de masa. El mismo problema se plantea si medimos cierta cantidad, por
ejemplo la masa, de dos poblaciones, pero con distintas unidades. Este es el
caso en que comparamos el peso en toneladas de una población de 100
elefantes con el correspondiente en miligramos de una población de 50
hormigas.

El problema no se resuelve tomando las mismas escalas para ambas

poblaciones. Por ejemplo, se nos puede ocurrir medir a las hormigas con las
mismas unidades que los elefantes (toneladas). Si la ingeriería genética no nos
sorprende con alguna barbaridad, lo lógico es que la dispersión de la
variable peso de las hormigas sea prácticamente nula (¡Aunque haya algunas
que sean 1.000 veces mayores que otras!)

En los dos primeros casos mencionados anteriormente, el problema viene de

la dimensionalidad de las variables, y en el tercero de la diferencia enorme entre
las medias de ambas poblaciones. El coeficiente de variación es lo que nos
permite evitar estos problemas, pues elimina la dimensionalidad de las variables
y tiene en cuenta la proporción existente entre medias y desviación típica. Se
define del siguiente modo:

Basta dar una rápida mirada a la definición del coeficiente de variación, para ver
que las siguientes consideraciones deben ser tenidas en cuenta:
  Sólo se debe calcular para variables con todos los valores positivos. Todo
índice de variabilidad es esencialmente no negativo. Las observaciones
pueden ser positivas o nulas, pero su variabilidad debe ser siempre
positiva. De ahí que sólo debemos trabajar con variables positivas, para

la que tenemos con seguridad que .

 No es invariante ante cambios de origen. Es decir, si a los resultados de
una medida le sumamos una cantidad positiva, b>0, para tener Y=X+b,

entonces , ya que la desviación típica no es sensible ante

cambios de origen, pero si la media. Lo contario ocurre si restamos (b<0).

 Es invariante a cambios de escala. Si multiplicamos X por una

constante a, para obtener , entonces

Observación

Es importante destacar que los coefientes de variación sirven para comparar las
variabilidades de dos conjuntos de valores (muestras o poblaciones), mientras
que si deseamos comparar a dos individuos de cada uno de esos conjuntos, es
necesario usar los valores tipificados.

Ejemplo

Dada la distribución de edades (medidas en años) en un colectivo de 100

personas, obtener:
1. La variable tipificada Z.
2. Valores de la media y varianza de Z.
3. Coeficiente de variación de Z.

Horas trabajadas Num. empleados

 0 -- 4 47

4 -- 10 32

10 -- 20 17

20 -- 40 4

100

Solución:

Para calcular la variable tipificada

partimos de los datos del enunciado. Será necesario calcular en primer lugar la
media y desviación típica de la variable original (X= años).

li-1 -- li xi ni xi ni xi2 ni

0 -- 4 2 47 94 188

4 -- 10 7 32 224 1.568

10 -- 20 15 17 255 3.825

20 -- 40 30 4 120 3.600

n=100 693 9.181

A partir de estos valores podremos calcular los valores tipificados para las
marcas de clase de cada intervalo y construir su distribución de frecuencias:
 zi ni zi ni zi2 ni

-0,745 47 -35,015 26,086

0,011 32 0,352 0,004

1,220 17 20,720 25,303

3,486 4 13,944 48,609

n=100 0,021 100,002

A pesar de que no se debe calcular el coeficiente de variación sobre variables

que presenten valores negativos (y Z los presenta), lo calculamos con objeto de
ilustrar el porqué:

Es decir, el coeficiente de variación no debe usarse nunca con variables

tipificadas.
EJERCICIOS RESUELTOS DE PROBABILIDADES, DESVIACION ESTANDAR
Y COEFICIENTE DE VARIACION

1. Se lanzan 20 monedas en las que la probabilidad de cara es de 0,6. Calcular

cual es el número más probable de caras y qué probabilidad hay de que salga
dicho número.

SOLUCIÓN:
El número de caras obtenido al lanzar 20 monedas es una variable aleatoria con
distribución binomial de parámetros B(20;0,6). El número más probable de caras
es 20. 0,6 − 0,4 ≤ m ≤ 20.0, 6 + 0,6 11,6 ≤ m ≤ 12,6 . Luego el número mas
probable de caras es 12, y la probabilidad de 12 caras es:

2. Sabiendo que P (AI B) = 0,6)y que la de la P(AIB =0,2), se pide calcular la

probabilidad de A.

SOLUCIÓN:
P(A)= P[(AIB)U(AIB )]= P(AIB) + P(AIB )=0,6+0,2=0,8

3. Supongamos que las cotizaciones de las acciones de Telefónica y Sniace

son variables aleatorias independientes, y que la probabilidad de que un día
cualquiera suban es del
70% para ambas. ¿Cuál es la probabilidad de que un día suba sólo una de
ellas?

SOLUCIÓN:
Sea p1 la probabilidad de que suba Telefónica y p2 la de que suba Sniace. La
probabilidad de que solo suba una de ellas será:
p1 (1 - p2) + (1 – p1) p2 = 0,7 0,3 + 0,3 0,7 = 0,21 + 0,21 = 0,42

4. Sean 2 sucesos A y B de los que se sabe que la probabilidad de B es el

doble que la de A; que la probabilidad de su unión es doble que la de su
intersección; y que la probabilidad de su intersección es de 0,1. Se pide: 1)
Calcular la probabilidad de A. 2) ¿Qué suceso es más probable que ocurra
sabiendo que ya ha ocurrido el otro?

SOLUCIÓN:

1) Sea P(A) = x; entonces: P(B)= 2X. Además P[AU B] = 0,2 y P[AI B] = 0,1
P[AUB] = P(A)+P(B)- P (AIB))=x+2x-0,1=3x-0,1
P[AUB] = 3x – 0,1=0,2. despejando x=1
Por tanto P(A) = 0,1 y P(B) = 0,2.

2) Las probabilidades condicionadas serían:

Por tanto es más probable que ocurra B sabiendo que ha ocurrido A, que, que
ocurra A sabiendo que ha ocurrido B.

5. La probabilidad de cara de dos monedas son 0,4 y 0,7. Calcular la probabilidad

de que al lanzar las dos monedas salga sólo una cara. Repetir el ejercicio
considerando que las monedas están bien construidas.

SOLUCIÓN:
Para que salga solo una cara ha de ocurrir una de las dos cosas siguientes: que
la primera moneda saque cara y la segunda cruz o viceversa:

P[(C X ) U (X C)] = 0,4 .0,3 + 0,6 .0,7 = 0,12 + 0,42 = 0,54

Si las monedas están bien construidas las probabilidades de cara y cruz son
iguales a 0,5; por tanto: P[(C X ) U (X C)] = 0,5 . 0,5 + 0,5. 0,5 = 0,5

6. Dos maquinas A y B han producido respectivamente, 100 y 200 piezas. Se

sabe que A produce un 5% de piezas defectuosas y B un 6%. Se toma una pieza
y se pide:

1) Probabilidad de que sea defectuosa.

2) Sabiendo que es defectuosa, probabilidad de que proceda de la primera
máquina.
7. Sea la urna U (2B, 3N, 4R). Extraemos tres bolas, una a continuación de la
otra. La primera es negra, la segunda no se mira y la tercera es blanca. Hallar la
probabilidad de que la segunda sea roja.

SOLUCIÓN:
Una vez es extraída la primera bola que es negra, la urna es U(2B, 2N, 4R). Al
extraer la segunda, pueden ocurrir tres casos: que sea blanca, negra o roja,
obteniéndose tres urnas distintas, con probabilidad 1/4, 1/4 y 1/2
respectivamente. La tercera bola procede de una de estas tres posibles urnas.
Sabiendo que la tercera bola es blanca, la probabilidad de que la segunda bola
haya sido roja, equivale a la probabilidad de que la tercera bola provenga de U3.

8. Tenemos cien urnas de tres tipos. El primer tipo contiene 8 bolas blancas y 2
negras; el segundo, 4 blancas y 6 negras y el tercero, 1 blanca y 9 negras.
Se elige una urna al azar y se extrae de ella una bola, que resulta blanca. Se
devuelve la bola a la urna y se repite el proceso, siendo ahora la bola extraída
negra.
Si sabemos que 16/39 es la posibilidad de que , siendo la bola blanca, proceda
del primer tipo de urna y que 30/61 es la posibilidad de que, siendo la bola negra,
proceda del segundo tipo de urna, calcúlese el numero de urnas de cada tipo.

SOLUCIÓN:

Sean x, y y z el numero de urnas de cada tipo y su composición, x(8b,2n),

y(4b,6n), z(1b,9n)

Sabemos que x + y + z = 100

Aplicando l teorema de Bayes en cada extracción tenemos:

9. El analista de investigación para la empresa de corretaje de acciones Sidde
Financial, desea comparar la dispersión de las razones (o cocientes) precio -
rendimiento en un grupo de acciones comunes, con la dispersión de sus
rendimientos sobre inversión. Para las razones precio - rendimiento la media es
10,9 y la desviación estándar 1,8. El rendimiento medio sobre inversión es 25%
y la desviación estándar 5,2%.

a) Por que debe utilizarse el coeficiente de variación para comparar la dispersión

b) Compare la dispersión relativa de las razones precio - rendimiento, y el

rendimiento sobre inversión

Existe menor dispersión en el precio-rendimiento cuyo valor es 16,51% en

relación al rendimiento-inversión con su valor de 20,8%.

10. Se va a comparar la dispersión en los precios anuales de las acciones que

se venden a menos de $10 (dólares) y la dispersión en los precios de aquellas
que se venden por arriba de $60. El precio medio de las acciones que se venden
a menos de $10 es 5,25 y la desviación estándar es $1,52. El precio medio de
las acciones que se negocian a más de $60 es $92,50 y su desviación estándar
es $5,28.

a) Porque debe utilizarse el coeficiente de variación para comparar la dispersión

de los precios?

Porque se puede comparar la dispersión relativa en términos de porcentajes

b) Calcule los coeficientes de variación. Cuál es su conclusión?

Se observa que las acciones a menos de $10 tienen una dispersión mayor
relativa, en comparación con las que se venden por arriba de los $60.

10. Un comerciante pone una tienda y calcula cuánto va a recibir por cada marca
de producto que venda en los siguientes doce meses. A continuación se muestra
la información obtenida.

INGRESOS ESPERADOS POR MES

Meses Ingreso esperado por mes ( s/.)

x1 Enero 200
x2 Febrero 200
x3 Marzo 450
x4 Abril 450
x5 Mayo 450
x6 Junio 700
x7 Julio 700
x8 Agosto 850
x9 Setiembre 850
x10 Octubre 1000
x11 Noviembre 1000
x12 Diciembre 1200
N = 12

Con la información que nos brinda la tabla anterior podemos hallar las medidas
hasta ahora presentadas.
 Media aritmética

u = 200 +200+450+700+850+850+1000+1200
12

u= 8050 670.83
12
 El promedio de ingresos esperados mensuales es de s/. 670.83

 Mediana
Como el número de observaciones es par, la mediana se obtiene del promedio
de las dos observaciones que se encuentran en la posición central. Así:

Me = 700 + 700 = 700

2

En el 50% de los meses se encontró un ingreso esperado mensual menor de

s/. 700 .

 Moda

El valor que más se repite en los doce meses es S/. 450. Entonces, la
distribución es unimodal pues solo cuenta con una moda.

 Varianza

σ 2 = 96,024 .3

 Desviación Estándar

σ = 96,024.3 = 309.87

 Coeficiente de Variabilidad

CV = 309.87 × 100
670.83

CV = 46.19%