Módulo 02 - ESTADÍSTICA

Probabilidad: Concepto y terminología básica

Conceptos básicos de probabilidad
Nuestra vida cotidiana está rodeada de probabilidades: el pronóstico del clima, las posibles ventas de un
comercio en el próximo año, etc., que afectan la toma de decisiones. Muchas veces nos encontraremos frente
a la situación de tener que tomar decisiones en condiciones de incertidumbre. Esta necesidad nos lleva a
estudiar y utilizar la teoría de la probabilidad.

La probabilidad de un hecho dado es una expresión de la posibilidad de ocurrencia del hecho (la posibilidad de
que algo pase).

Cuando un fenómeno puede presentarse de distintas maneras, la factibilidad de ocurrencia de cada una de ellas
se la define como probabilidad.

La probabilidad es una medida numérica de la posibilidad de que un evento ocurra. Las probabilidades son una
medida del grado de incertidumbre asociado con cada uno de los eventos previamente enunciados.

Valores de probabilidad

 Los valores de probabilidad están entre 0 y 1, incluidos ambos valores.

 Los valores entre 0 y 1 indican los distintos grados de probabilidad de que un hecho o suceso ocurra.
 Si los valores están cercanos a 0, las probabilidades de que un hecho ocurra son muy bajas.
 Si los valores están cercanos a 1, las posibilidades de que ocurra un hecho son casi seguras.
 Si la probabilidad es 0, significa la imposibilidad de que el hecho ocurra.
 Si la probabilidad es 1, se tiene certeza de que el hecho ocurrirá.

Los porcentajes no son probabilidades, pero se utilizan comúnmente para expresar una probabilidad (aunque
en Estadística cuando se trate de porcentaje diremos “posibilidad”).

El porcentaje se calcula sobre 100; la probabilidad se calcula sobre 1, es una parte de 1.

Otros conceptos básicos importantes

Experimento aleatorio: Un experimento es aleatorio si sus resultados no se pueden predecir con certeza. Es
decir, al repetir el experimento bajo condiciones similares, en general, los resultados que se obtienen son
diferentes. También se dice que un experimento es la actividad que origina uno o varios hechos o sucesos.

Ejemplo: “Se tira un dado una vez” es el experimento, ya que no puede predecirse qué resultado se obtendrá
en la cara superior.

Espacio muestral: Es el conjunto de todos los resultados posibles de un experimento aleatorio y se representa
con S. Ejemplo: en el lanzamiento del dado, el espacio muestral será: S = {1, 2, 3, 4, 5, 6}.

Otro ejemplo: si el experimento es “se tira una moneda una vez”, el espacio muestral es S= {cara, cruz}.

Importante: no siempre es posible describir el espacio muestral por enumeración. A veces, se definen por
comprensión o por una condición que sus elementos han de cumplir. Dependiendo del número de resultados
posibles del experimento aleatorio, el espacio muestral podrá ser:

Finito: por ejemplo, una lanzada de una moneda.

Infinito numerable: cuando a cada elemento del espacio muestral se le hace corresponder un número entero
como, por ejemplo, la edad o la cantidad de estrellas en nuestro sistema solar.

Infinito no numerable: cuando a cada elemento del espacio muestral se le hace corresponder un número real
en el intervalo [0;1].
Puntos muestrales: Son cada uno de los de los resultados posibles del espacio muestral. Ejemplo: en la tirada
de un dado, un punto muestral es, por ejemplo, 4.

Evento: Evento = Suceso = Hecho

Es cualquier subconjunto del espacio muestral, es decir, es un subconjunto de resultados posibles.

Ejemplo 1: Al lanzar un dado una vez, algunos de los eventos pueden ser:

E1 = {que salga un número par} = {2,4,6}

E2 = {que salga un cinco} = {5}

E3 = {que salga un dos o un cuatro} = {2,4]

Aclaración: se debe observar que el evento 1 y el evento 3 no pueden darse con la conjunción “y”, es decir, que
salga un número par es porque da lo mismo que salga un 2, un 4 o un 6. Lo mismo aplica para en el evento 3. Es
obvio que en una tirada no puede darse más que un resultado de los posibles.

Ejemplo 2: Al lanzar una moneda al aire, si cae cruz es un evento y si cae cara es otro.

Ejemplo 3: Si el experimento es elegir un estudiante de entre cien para que responda una pregunta, los eventos
son la elección de cada uno de entre los 100 estudiantes.

Tipos de eventos
Según su construcción:

 Eventos simples: Son los puntos muestrales o sucesos elementales. Un único punto del espacio muestral.

Ejemplo: Los siguientes son eventos simples del experimento “tirar un dado una vez”:

E1= {que salga un cinco}

E2= {que salga un dos} y así con los seis puntos muestrales.

Características: a) siempre ocurre alguno de ellos; y b) son mutuamente excluyentes, es decir, obtener un 5 es
un suceso elemental del experimento de lanzar un dado y no es lo mismo que obtener un 2 o un 3, porque el
experimento es en un solo tiro.

 Eventos compuestos: Un evento es compuesto cuando puede ser descompuesto en eventos más simples,
es decir, son los eventos construidos a partir de la unión de eventos puntuales o sucesos elementales.

Ejemplo: Los siguientes son eventos compuestos del experimento “tirar un dado una vez”:

E1= {que salga un cinco o un dos}

E2= {que salga un uno o un tres o un cuatro}

Según su probabilidad de ocurrencia:

 Evento imposible: Es un subconjunto vacío del espacio muestral, es decir, será el suceso que no ocurrirá
nunca; tendrá una probabilidad de cero, lo que indica que no va a suceder.

Ejemplo: Los siguientes son eventos imposibles del experimento “tirar un dado una vez”:

E1= {que salga un ocho} evento simple imposible.

E2= {que salga un uno y un tres} evento compuesto imposible en una tirada.

 Evento seguro: Es el evento que siempre va a suceder; su probabilidad es de 1.

Ejemplo: El espacio muestral va a suceder siempre; por ejemplo, en el experimento de tirar un dado una vez:
S={1,2,3,4,5,6} acá está por enumeración.

S={que salga un uno, un dos, un tres, un cuatro, un cinco o un seis} por propiedad o comprensión.

Seguro que uno de los eventos que componen el evento compuesto va a salir.

 Evento probable: Cuando un suceso no coincide ni con el evento imposible ni con el seguro diremos que el
evento es probable.

Ejemplo: Cualquiera de los siguientes son eventos probables del experimento “tirar un dado una vez”:

E1= {que salga un cinco}

E2= {que salga un dos}

E3= {que salga un cinco o un dos}

E4= {que salga un uno o un tres o un cuatro}, entre otros.

Breve revisión de la teoría de conjuntos. Gráficos

Operaciones que se realizan sobre conjuntos abstractos:

1) Unión: La unión de dos eventos, A y B, es otro evento que se representa como o directamente como A o B.
Este evento ocurrirá siempre que ocurra el evento A o el evento B.

2) Intersección: La intersección de dos eventos, A y B, es otro evento que se representa como o directamente
como A y B. Este evento ocurrirá siempre que ocurran simultáneamente los eventos A y B.

3) Complemento: Dado un evento A, llamaremos evento complementario de A al evento A´ que ocurrirá siempre
que no ocurra A. El complemento de un conjunto tiene varias anotaciones: A´, A, Ac.

De lo anterior se deducen las siguientes propiedades:

Por otro lado, te recordamos las leyes de De Morgan que pueden servirte para resolver ejercicios:
Otros tipos de eventos muy utilizados en el cálculo de probabilidades
 Eventos complementarios: Dos eventos son complementarios cuando su unión da todo el espacio muestral.
Observa que para que sean complementarios hablamos de solo dos eventos, es decir, el complemento de
un evento es negar ese evento. El complemento está representado en la figura 1, en el último gráfico.

Ejemplo: Si el evento es que un avión despegue a horario, el complemento es que el avión no despegue a horario.

 Eventos mutuamente excluyentes: Se dice que dos eventos son mutuamente excluyentes cuando la
ocurrencia de uno de ellos implica la no ocurrencia del otro.

Otra forma de decirlo es que cuando se da uno de ellos, no pueden darse

los otros.

Figura: Eventos mutuamente excluyentes. Cada conjunto representa a un

evento. Se observa que los dos están dentro del espacio muestral
(universo) pero no tienen intersección.

Ejemplo 1: Se tira un dado una vez. Los resultados posibles ya los hemos visto, el espacio muestral es
S={1,2,3,4,5,6}. Si se da uno de ellos, no pueden darse ninguno de los otros. Los eventos que forman el espacio
muestral son, en este caso, mutuamente excluyentes.

Ejemplo 2: En un partido de fútbol solo pueden darse tres resultados posibles con respecto a dos equipos A y B:
que gane A, que pierda A o que empaten. Estos eventos son mutuamente excluyentes entre sí porque solo
puede darse uno de los tres resultados.

Aclaración: dos eventos mutuamente excluyentes no siempre son complementarios; pero dos eventos
complementarios son siempre mutuamente excluyentes.

Ejemplo 3: En el experimento “tirar un dado una vez” dijimos que hay 6 resultados posibles.

Por ejemplo, el evento “que salga un 4” y el evento “que salga un 6” son mutuamente excluyentes, pero no
complementarios.

El evento complementario del evento “que salga un 4” es “que no salga un 4”.

 Eventos no mutuamente excluyentes: Si nos preguntamos: ¿pueden ocurrir dos o más eventos al mismo
tiempo? Si la respuesta es sí, los eventos no son mutuamente excluyentes.

Figura: Eventos no mutuamente excluyentes. Los eventos A y B no son mutuamente

excluyentes porque tienen intersección, es decir, hay elementos comunes; lo cual
significa que pueden darse en forma conjunta.

Ejemplo: En el caso del dado, que se tira una sola vez, los eventos son:

E1= {que salga un cinco}

E2= {que salga un número impar}

No son eventos mutuamente excluyentes. Si sale un cinco, se cumplen los dos eventos al mismo tiempo.

 Eventos colectivamente exhaustivos: Los eventos son colectivamente exhaustivos cuando, más allá de ser
mutuamente excluyentes, la unión de todos da el espacio muestral. Esto quiere decir que ninguno queda
fuera y todos forman S.

Ejemplo 1: En el caso del dado que venimos analizando, todos los eventos simples del espacio muestral son
colectivamente exhaustivos. También pueden existir eventos compuestos que sean colectivamente exhaustivos.

E1= {1} E3= {3} E5= {5}

Estos son eventos colectivamente
E2= {2} E4= {4} E6= {6} exhaustivos.
Ejemplo 2: En el caso del dado, los siguientes son eventos colectivamente exhaustivos:

E1= {1,2} que salga un 1 o un 2

E2= {3,4,5} que salga un 3 o un 4 o un 5

E3= {6} que salga un 6

Ejemplo 3: En el caso de una elección presidencial, los eventos “ser del partido rojo” y “ser del partido azul” no
son colectivamente exhaustivos. Si bien son mutuamente excluyentes, pueden existir otros partidos que
completan el universo de todos los partidos que se presenten en las elecciones.

Axiomas básicos de la probabilidad

Cuando se construye una teoría matemática, nos basamos en ciertas ideas o afirmaciones sobre las cuales se
construye todo lo demás, las que son como las “reglas de un juego”. Conocidas estas reglas, se puede jugar y
moverse dentro del juego. En la matemática y en el pensamiento lógico, también funciona todo como un
“juego”: se plantean las “reglas básicas” y, a partir de allí, se construye y desarrolla el resto de la teoría. A esas
reglas se las llama “axiomas”.
AXIOMA 1 AXIOMA 2 AXIOMA 3
Si A es un evento de S, entonces la Si S es un espacio muestral, la probabilidad Si A y A´ son 2 eventos complementarios,
probabilidad de que ocurra A está entre 0 de S que se den uno u otro evento del la probabilidad que se dé uno o el otro es
y 1 (incluyendo los extremos). espacio muestral es 1. Recuerda que el igual a 1.
0≤P(A)≤1 espacio muestral es la unión de todos sus P(A) + P(A´) = 1
eventos. Observa que la operación “unión de
P(S)=1 conjuntos” se traduce en probabilidades
con un signo “+”.

También recuerda que, para los eventos compuestos, puedes escribir los conectores lógicos siguientes:

Para la disyunción “o” identificada con la unión, puedes escribir “v”.

Para la conjunción “y” identificada con la intersección, puedes escribir “ᴧ “

Enfoques de probabilidad
Enfoques de probabilidad básica que se utilizan para dar valor a la probabilidad de que un evento ocurra:

 CLÁSICO: Enfoque de probabilidad clásica a priori

Esta teoría es la más antigua y se origina en los juegos de azar. Se basa en el supuesto de que todos los resultados
posibles para un experimento son igualmente probables.

En este enfoque, la probabilidad de un evento es el cociente entre el número de resultados favorables y el

número de resultados posibles.

Ejemplo: En el lanzamiento de un dado perfecto, una vez debe considerarse que existe la misma probabilidad
que salga cualquiera de las 6 caras, es decir, todas tienen la misma probabilidad de salir. Entonces, si calculamos

la probabilidad de que “salga un cinco”.

 DE FRECUENCIA RELATIVA: Enfoque de probabilidad clásica empírica o de frecuencia relativa

Características:
 Según este enfoque o teoría, para determinar las probabilidades se hacen repeticiones del experimento y
se va obteniendo información. Para determinar los valores de probabilidad se requiere experimentación, es
decir, observación y recopilación de datos. Es por eso que se lo llama también empírico.
 No implica ningún supuesto previo, al contrario del enfoque clásico.
 También se le denomina a posteriori, ya que el resultado se obtiene después de realizar el experimento un
cierto número de veces.

Ejemplo: Siguiendo con el ejemplo de la tirada de un dado una vez, tendríamos que realizar lanzamientos, por
ejemplo, 120 veces en las mismas condiciones y calcular después la proporción de veces que salió el número
seleccionado. En realidad, estamos calculando una frecuencia relativa en la que hay seis variables aleatorias y
se anotan las veces que sale cada una.

Supongamos que se realiza este experimento de lanzar el dado 120 veces y arroja los siguientes resultados:

Tabla 1: Experimento de tirar un dado 120 veces

Descripción de la tabla: en esta tabla se registran los

resultados de las frecuencias dadas por la salida de cada una
de las caras del dado.

Nos preguntamos ahora lo mismo que hicimos en el caso del

enfoque clásico, ¿cuál es la probabilidad de que salga un 5?

Si calculamos la frecuencia relativa.

Se puede observar que esta es una estimación de la

probabilidad de que salga un cinco.

Si hubiéramos querido saber la probabilidad de que salga un 3, nos daría exactamente igual que en el enfoque
clásico:1/6. Lo mismo ocurriría con el evento “que salga un 6”.

Entonces, si bien este enfoque no nos da la verdadera probabilidad, sí nos sirve para estimar la probabilidad. Si
el dado está perfectamente equilibrado, cuantas más veces repitamos el experimento más se acercarán a 1/6
las probabilidades de cada evento.

Entonces, la proporción 16/120 nos da una estimación de la probabilidad de que salga un 5 cada vez que
realizamos el experimento de lanzar un dado.

La estimación de la probabilidad de que salga un 5 se acercaría a 1/6 cuando el número de pruebas aumenta.

Ahora bien, el experimento nos lleva a la interpretación de probabilidad en términos de frecuencia relativa:

Si un experimento se ejecuta n veces en las mismas condiciones y hay x resultados favorables; de manera tal
que x ≤ n, una estimación de la probabilidad de ese hecho es razón x/n (Casos favorables sobre casos probables).

Además, la estimación de la probabilidad de un evento x/n se acerca a un límite, la verdadera probabilidad del

evento, cuando n aumenta hasta aproximarse a infinito, es decir.

Obviamente que en la práctica nunca podremos obtener la probabilidad de un hecho como el que es dado por
este límite. Solo podemos buscar una estimación próxima basada en un grande.

Por comodidad trataremos a la estimación de P(E) como si fuera realmente P(E), escribiendo la definición de

probabilidad por frecuencia relativa.

Definiendo P(E) de esta manera, se destaca el hecho que la probabilidad supone un concepto a largo plazo. En
la práctica, esto significa que, si echamos un dado perfecto 6 veces, es casi imposible esperar que cada una de
las seis caras aparezca exactamente una vez. Pero, si echamos el dado un número grande de veces, podemos
esperar a largo plazo que cada una de las seis caras del dado aparezca la sexta parte de las repeticiones.
La teoría clásica y la teoría de frecuencias relativas se llaman enfoques objetivos de probabilidad. La teoría clásica
es objetiva porque se basa en un conjunto de supuestos. La de frecuencias relativas es objetiva porque la
probabilidad de un hecho es determinada por repetidas observaciones empíricas.

 SUBJETIVO:
 Este enfoque se refiere a la posibilidad de ocurrencia de un evento, la cual es asignada por una persona con
experiencia en el tema de que se trate.
 Observemos que, a diferencia del enfoque de frecuencias relativas, hay hechos que son imposibles de
repetirse para su estudio y, por lo tanto, el estudio bajo ese enfoque es imposible. Supongamos que se
analiza cierta reacción química, nuclear o un estallido social; todas situaciones que son únicas y, por tanto,
no pueden repetirse bajo las mismas condiciones.
 Esto nos da la pauta de que existen una gran cantidad de problemas que están fuera del alcance de las
teorías objetivas. Esta limitación es la que dio lugar al punto de vista personalista sobre la probabilidad. Esta
teoría no es la más popular, ya que hay corrientes que afirman que, precisamente por su carácter de
subjetividad, no se considera con validez científica, aunque en la vida diaria es de las más comunes que se
utilizan al no apoyarse más que en el sentido común y los conocimientos previos, y no en resultados
estadísticos.
 Esta teoría no asigna probabilidades de manera “caprichosa” a gusto de quien hace el estudio, sino que se
asignan probabilidades basadas en una combinación de experiencias, la opinión personal y el análisis de la
situación en particular. Se supone que la persona que asigna dicha probabilidad se basa en su experiencia,
su conocimiento del tema y que, por supuesto, tendrá una influencia de su opinión personal, lo que hace
que esta suposición sea de alguna manera subjetiva.

La probabilidad subjetiva es especialmente útil para tomar decisiones en situaciones en las que no se puede
determinar empíricamente la probabilidad de la ocurrencia de varios hechos.

Justificación: “Que llueva el próximo fin de semana”: enfoque de

frecuencia relativa. Es el que más de adapta, ya que generalmente se
conocen los informes meteorológicos para el fin de semana o
estadísticas de años anteriores.
“Que salga una suma de cinco en una tirada de dos dados”: enfoque
clásico. Puede calcularse si los dados son perfectos y si todas las
caras tienen la misma probabilidad de salir: P(sumen 5) =4/36 =0,11
(si no puedes hacer este cálculo ahora, lo entenderás más adelante);
pero no hay dudas que puede calcularse a priori.
“Que tus amigos acepten ir a pescar la próxima semana”: enfoque
subjetivo. No existe otro elemento más que tu experiencia para
determinarlo.

Asignación de probabilidades
Regla aditiva
Regla de la adición para calcular probabilidades según el tipo de eventos:

 Para eventos mutuamente excluyentes

Ejemplo 1: en un curso de estadística de 100 alumnos:

1) Evento A: 20 alumnos obtienen una nota menor a 4.

2) Evento B: 50 alumnos obtienen una nota entre 4 y 7 (incluidos).

3) Evento C: 30 alumnos obtienen una nota mayor a 7.

Antes de comenzar definamos los eventos:

A={el alumno que haya obtenido una nota menor a 4}

B={el alumno que haya obtenido una nota entre 4 y 7}

C={el alumno que haya obtenido una nota mayor a 7}

Si elegimos al azar un alumno de los 100, se determinan las siguientes probabilidades:

Respuesta: la probabilidad que se solicita es la probabilidad de un evento compuesto. A este evento lo podemos
descomponer en dos eventos unidos por la disyunción “o”. En este caso se nos pregunta por la probabilidad del
evento compuesto. Esto es lo primero que tienes que observar, pues si fuera una “y”, no se puede aplicar la
regla de la adición. Luego, fíjate si los eventos son mutuamente excluyentes o no, pues la regla de la adición se
aplica de distinta manera cuando los eventos no son mutuamente excluyentes. Para este caso, los eventos son
mutuamente excluyentes:

Conclusión: La probabilidad de un alumno elegido al azar, que haya tenido una nota menor a 4 o mayor a 7 es
de 0,5; un 50 % de posibilidades.

Construyamos los diagramas de Venn para este caso:

Figura 1: Diagrama de Venn para el ejemplo 1

Descripción de la figura 1: representamos el ejemplo 1 a través de un

diagrama de Venn. En realidad, solo representamos dos conjuntos que
son los que se piden en el ítem 3). Todo lo que está en el Universo
(rectángulo) y que no está en A, ni en C, es el conjunto B, que es lo que
le falta al conjunto AUB para llegar al número de alumnos del conjunto
Universal. Recuerda, esto es solo una representación; también
podríamos haber dibujado 3 conjuntos y que en el Universal no queden elementos.

Algunos autores representan los eventos con un punto dentro de un rectángulo que representa el espacio
muestral.

Figura 2: Diagrama que representan los eventos del ejemplo 1

Descripción de la figura 2: la figura es otra representación gráfica del

espacio muestral y los eventos referidos al ejemplo 1.

En general, la probabilidad de ocurrencia del evento A o B, cuando son

mutuamente excluyentes, se puede expresar con la siguiente regla,
conocida como regla de la adición:

P (AUB = P(A) + P(B)

Cuando los eventos son mutuamente excluyentes.

 Para eventos no mutuamente excluyentes

Ejemplo 2: En un shopping, un cierto día asisten 1500 personas. Se registraron 650 menores de 18 años (evento
A). Además, de las personas que asistieron ese día, 500 ingresaron a algún comercio a consultar o comprar
(evento I). Y por último, se registraron 85 menores de 18 años que ingresaron a algún comercio (evento A∩I).

Si elegimos al azar una persona de las que asistieron ese día al shopping, se determinan las probabilidades de
los siguientes eventos:

1) Que sea menor de 18 años.

2) Que haya ingresado a algún comercio.

3) Que sea menor y haya ingresado a algún comercio.

4) Que sea menor o que haya ingresado a algún comercio.

Respuestas:

Para responder la pregunta 4) primero analizaremos el diagrama de Venn que se corresponde con este
problema:

Figura 3: Diagrama de Venn para el ejemplo 2

Descripción de la figura 3: representamos el ejemplo 2 a través de un

diagrama de Venn. En realidad, solo representamos dos conjuntos
que son los que nos interesan en el problema. Todo lo que está en el
Universo (rectángulo) y que no está en A ni en I es el complemento
de AUB, es decir, (AUB)´, que es lo que le falta a AUB para completar
el universal: personal mayores de 18 años y personas que no entran
a ningún comercio. Ese caso se analizará más adelante en las
actividades.

Como podrás ver, los eventos A e I no son mutuamente excluyentes. Si aplicáramos la regla de la adición, como
vimos para el ejemplo 1, estaríamos contando dos veces a las personas que están en la intersección. Esto es
porque de los 650 menores de 18 años, 85 entraron a algún comercio; y, análogamente, de los 650 que
ingresaron a un comercio, 85 son menores de 18 años. Por lo tanto, tenemos que restar a la fórmula una vez la
intersección para que nos dé toda la parte sombreada:

Aclaración: aquí conviene hacer las operaciones que indican los numeradores y luego simplificar o directamente
dividir y, en caso de ser necesario, redondear el resultado. Así se trabajará con mayor precisión que
redondeando primero y operando después.

Conclusión: la probabilidad de que, elegida una persona al azar, esta haya sido un menor de 18 años o haya
ingresado a algún comercio o ambas cosas es de 0,71; un 71 % de posibilidades.

En general, la probabilidad de ocurrencia del evento "A o B", cuando no son mutuamente excluyentes, se puede
expresar con la siguiente regla conocida como regla de la adición:

P (AUB = P(A) + P(B) - P(A∩B)

Cuando los eventos no son mutuamente excluyentes.

 Para eventos colectivamente exhaustivos

Los eventos colectivamente exhaustivos son aquellos que, colectivamente recorren todas las posibilidades, es
decir, tiene que ocurrir alguno de los eventos. Por tanto, se tendrá en cuenta que la unión de todos ellos será el
espacio muestral completo. Así, A y B son colectivamente exhaustivos.

P (AUB) = 1

Ejemplo 3: Considere la probabilidad de seleccionar un empleado de su empresa cuyo sueldo es menor a $40.000
o su sueldo está entre $40.000 y $60.000 (incluidos) o que su sueldo sea mayor a $60.000. La cantidad total de
empleados es de 2500, y además:

o 500 cobran menos de $40.000 (evento P).

o 1200 cobran entre $40.000 y $60.000, incluidos los extremos (evento Q).
o 800 cobran más de $60.000 (evento R).

Lo que pide el problema es:

Se puede observar que los eventos son mutuamente excluyentes por lo tanto no hay intersección entre los
mismos, y además la totalidad de las probabilidades que se pueden dar son iguales a 1.

Es obvio que, si pretendo que, elegido un empleado al azar, me dé lo mismo que esté en alguna de las categoría
de sueldos enunciadas; la posibilidad acierto es del 100 %.

Observación: es evidente que, en el caso de los eventos mutuamente excluyentes, como ya vimos en los axiomas
de la lectura 1, la intersección es vacía y por lo tanto su probabilidad es de 0. De forma general, puede darse la
regla de la probabilidad de la siguiente manera:

P (AUB = P(A) + P(B) - P(A∩B)

Y si los eventos son mutuamente excluyentes, como el caso de , entonces se quita el último miembro a la
expresión y queda:

P (AUB = P(A) + P(B)

Expresión que estudiamos recientemente para este tipo de eventos.

Otros tipos de eventos

Eventos independientes y eventos dependientes:

EVENTOS INDEPENDIENTES: Dos eventos son independientes

cuando la ocurrencia de uno de ellos no afecta la ocurrencia del
otro.

Ejemplo 4: Si tiramos dos monedas, lo que salga en una moneda no

afecta el resultado de la otra. Lo mismo ocurre si tiramos dos o más
dados de forma simultánea.

Más adelante estudiaremos los experimentos de pasos múltiples,

en los que también podremos analizar la independencia estadística.
Por ejemplo, si tiramos una moneda dos veces consecutivas, lo que salga la primera vez no afecta el resultado
de la segunda tirada.

EVENTOS DEPENDIENTES: Dos eventos son dependientes cuando la ocurrencia de uno de ellos afecta la
ocurrencia del otro.
Ejemplo 5: Si de un mazo de cartas españolas extraemos las
cartas de espada, el evento de que salga un 6 va a estar
condicionado al primer evento, “que no sea espada”, por lo que
los dos eventos se llaman dependientes.

También podemos ver este tipo de eventos en el caso que

tengamos un número en una rifa. A medida que van saliendo
los números y no sea el premiado, tenemos más oportunidades
de ganar nosotros. En este caso, los eventos “que salga mi
número en la primera extracción” y “que salga mi número en la
segunda extracción” son eventos dependientes, especialmente
si se trata de pocos números en juego.

Probabilidad condicional, conjunta y marginal

Otros tipos de probabilidades que involucran eventos independientes y dependientes:

 Probabilidad condicional: Nos podríamos preguntar cómo encontrar ciertas probabilidades si se tuviera
conocimiento previo de alguna característica, es decir, si se tiene información previa sobre los eventos
involucrados. Tal es el caso de los eventos dependientes.

Cuando se está calculando la probabilidad de un evento A en particular y si se tiene información sobre la

ocurrencia de otro evento B, esta probabilidad se conoce como probabilidad condicional y se denota de la
siguiente manera:

P(A/B) (la probabilidad de ocurrencia de A, si se sabe que ocurre B)

Ejemplo 6: ¿Cuál es la probabilidad que, habiendo obtenido en el lanzamiento de un dado un número mayor o
igual a 4, este sea par? Podemos suponer este caso como que tú tiras un dado y tu compañero no lo ve, pero tú
le dices: “Salió un número mayor o igual a 4” y luego le preguntas: “¿Qué probabilidad hay de que haya salido
un número par?”

Definamos, por ejemplo, los siguientes eventos para resolver el problema:

Evento P: que sea par.

Evento M: que sea un número mayor o igual a 4.

Estos eventos son claramente dependientes.

Si la cara obtenida contiene un número mayor o igual a 4, tendrá que ser el 4, el 5 o el 6. Solo tres casos posibles
y de los cuales solo dos de ellos cumplen con la condición de ser par; por lo tanto, si nos ajustamos a la definición

clásica de probabilidades, el cálculo sería:

Fórmula de la probabilidad condicional

Por otra parte, la condición que deben cumplir los casos favorables es la de ser mayor o igual a 4 y además deben
cumplir con la condición de ser par, es decir, deben satisfacer simultáneamente M y P. Mientras que los casos
posibles estarán dados por los eventos simples que constituyen M: ser mayores o iguales a 4. En referencia al
problema del ejemplo 6 que venimos tratando, se puede observar que el resultado es el mismo si se calcula de

la siguiente manera:
En general, la probabilidad de ocurrencia de A según B está dada por el cociente entre la probabilidad de

ocurrencia conjunta de A y B sobre la probabilidad de B:

Nótese que a P(A∩B) se la llama probabilidad conjunta.

Análogamente sería:

Muchas veces, como hicimos con el caso del ejemplo 6, no es necesario aplicar la fórmula de la probabilidad
condicional, pero en otros problemas es imprescindible que la sepas aplicar.

Hemos estudiado con este ejemplo la probabilidad condicional bajo dependencia estadística. El estudio de la
probabilidad condicional bajo independencia estadística será tratado por razones didácticas en el apartado de
probabilidad conjunta.

 Probabilidad conjunta: La probabilidad conjunta es aquella referida a un evento compuesto y en la que está
involucrada sólo la intersección, es decir, la conjunción “y”.

La expresión de la probabilidad condicional nos permite obtener la fórmula de la probabilidad conjunta entre
dos eventos.

Obtención de la fórmula de la probabilidad conjunta cuando los eventos son dependientes

La fórmula de la probabilidad condicional es:

¿Cuáles son las fórmulas de la probabilidad conjunta para eventos dependientes?

Es importante notar que P (A∩B) = P (B∩A)

Si volvemos al ejemplo 6 tenemos que:

La probabilidad de que al tirar un dado este sea par y mayor o igual a 4 es igual a la probabilidad de que salga
un número mayor o igual a 4, dividida la probabilidad de que sea par, y sabiendo que es mayor o igual a 4. Esta

última probabilidad ya la habíamos calculado y era de 2/3. Entonces

Esto es fácilmente comprobable sin fórmulas, ya que en un dado los números pares mayores o iguales que 4 son
dos (casos favorables) y los casos probables son 6; por lo tanto, las probabilidades de que en un tiro que salgan
las dos condiciones son de 2/6 = 1/3.

Obtención de la fórmula de la probabilidad conjunta cuando los eventos son independientes. Independencia
estadística

Para explicar este concepto comenzaremos presentando un ejemplo que nos ayudará a introducir ideas:

Ejemplo 7: Supongamos que se tira una moneda dos veces consecutivas y definiremos los eventos A y B de la
siguiente forma:

A={en la primera tirada sale cara}

B={en la segunda tirada sale cara}

Por intuición sabemos que los eventos A y B no están relacionados. Por ejemplo, saber que B ocurre no
proporciona información acerca de la ocurrencia de A. Dicho de otra forma, el resultado que se obtenga en la
segunda tirada no depende de lo que haya salido en la primera.
De hecho, el siguiente cálculo lo pone de manifiesto: tomando como nuestro espacio muestral los cuatro
resultados igualmente posibles (por cada opción que sale en la primer tirada tengo dos opciones en la segunda
tirada), esto se escribe: S={cc, cx, xc, xx}.

Encontraremos entonces P(A)=2/4=1/2 y P(B)=2/4=1/2.

Además, la probabilidad de que salga cara en la primera tirada y cara en la segunda tirada va a reducirse porque
estamos exigiendo que también salga cara en la segunda. La probabilidad del evento compuesto conjunto en
este caso será P(A∩B) = 1/4, pues si observamos el espacio muestral S, que se da en el evento cc (cara en la
primera y cara en la segunda) es de 1/4.

Por lo tanto, no es un resultado lógico, pues no son eventos dependientes sino

independientes. Se puede observar que si no estuviera la condición “sabiendo que B” , no se sabría que P(A)=1/2
que es lo correcto.

Este resultado revela una información importante: el conocimiento previo de alguna condición no influye en la
probabilidad buscada.

A esta característica se la denomina independencia estadística y se la puede definir de la siguiente manera:

Dos eventos, A y B, son estadísticamente independientes si y solo si P(A/B)=P(A)

En otras palabras, la probabilidad condicional bajo condiciones de independencia estadística es igual a la

probabilidad del evento que se quiere determinar sin tener en cuenta la condición.

Resumiendo, en el ejemplo 7:

P(cara en la 2ªtirada/cara en la 1ª tirada)=P(en la 2ª tirada)= 1/2

Retomando la fórmula de probabilidad condicional, pero sustituyendo P(A/B) por su igual P(A) y luego
despejando la probabilidad conjunta, la formula queda de la siguiente manera:

¿Cuál es la fórmula para calcular la probabilidad conjunta para eventos independientes?

Cuando dos eventos son independientes, la ocurrencia simultánea de ambos es igual al producto de sus
probabilidades.

Regla multiplicativa
Las probabilidades conjuntas se resuelven multiplicando. Dijimos que una probabilidad condicional la podíamos
manipular algebraicamente y obteníamos la siguiente fórmula:
Apliquemos esta regla en el caso del ejemplo 6, en el que los eventos son dependientes: ¿cuál es la probabilidad
que habiendo obtenido en el lanzamiento de un dado un número mayor o igual a 4, este sea par? Ahora la
podemos dar vuelta y preguntar por el evento conjunto: ¿cuál es la probabilidad de que tirado un dado una vez
se obtenga en el lanzamiento un número mayor o igual a 4 (evento M) y este sea par (evento P)?

Existe un 33,33 % de posibilidades que se den las dos condiciones: que sea par y que mayor o igual a 4.

Por otra parte, del concepto de independencia estadística obtuvimos la siguiente fórmula:

P (A∩B) = P (A) . P (B)

Apliquemos esta regla en el caso del ejemplo 7, en el que los eventos son independientes: supongamos que se
tira una moneda dos veces consecutivas, ¿cuál es la probabilidad de que las dos veces salga cara?

Existe un 25 % de posibilidades de que salga cara en la primera y cara en la segunda tirada.

P (C y C) significa la probabilidad de que salga cara en la primera tirada y cara en la segunda, y también puede
escribirse P(C∩C).

Justificación: Los eventos son dependientes.

P(R∩B)=P(R).P(B/R)=6/10 . 4/9 = 4/15 . Este es uno
de los casos en los que no hace falta calcular por
fórmula la probabilidad condicional, sino
intuitivamente. Si se extrae una bolilla roja en la
primera extracción quedan las 4 blancas y 9 bolillas
en el bolillero, por lo tanto la P(B/R)=4/9.

Tablas de contingencia y árboles de decisión

Tablas de contingencia y de probabilidad conjunta
¿Qué es una tabla de contingencia?

Una tabla de contingencia es una tabla de clasificaciones cruzadas que nos facilita las asignaciones de
probabilidad a cada evento, y se compone de filas y columnas.

En las filas van categorías de eventos que son mutuamente excluyentes y colectivamente exhaustivos. Lo mismo
ocurre en las columnas, solo que la categorización de los eventos es distinta a la que se presenta en las filas.

¿Para qué sirve?

Para reconocer diferentes formas de representar y visualizar un espacio muestral dado, con el propósito de
obtener información clara y detallada a los fines de determinar probabilidades utilizando el enfoque clásico.
Árboles de decisión
Un árbol de decisión es otra manera de organizar y presentar los datos; es un diagrama con ramas y subramas
que resulta una forma alternativa de analizar las probabilidades.

Árbol de decisión en un caso de dependencia estadística.

Aclaraciones:

 Observa que los eventos de un mismo nivel son mutuamente excluyentes y colectivamente exhaustivos.
Nota que las probabilidades de una subrama del mismo nivel, es igual a 1.
 En el primer nivel, sobre cada rama, se escriben las probabilidades de eventos marginales. Se puede
comenzar con cualquiera de las dos categorías, la probabilidad conjunta da igual en ambos casos.
 Todo depende de la condición previa que se tenga y las probabilidades condicionales que se quieran calcular
para comenzar a armar el árbol.
 En el segundo nivel, sobre cada subrama se escriben las probabilidades condicionales, si es que se trata de
eventos dependientes como estamos analizando en el ejemplo 1. Para calcular las probabilidades de
segundo nivel, tienes que tener en cuenta los datos del problema o la tabla de contingencia.
 Observa las probabilidades conjuntas y compáralas con las que nos dieron por tabla de contingencia.
Obviamente dan lo mismo. Unimos los eventos que van por el mismo camino, unidos por un “y”, y
multiplicamos las probabilidades que están calculadas sobre las ramas. Justamente nos queda la regla de la
multiplicación para eventos dependientes.
 Hay algunas otras conclusiones que podemos extraer de este tipo de diagrama que dejaremos para la
próxima lectura sobre probabilidad marginal bajo dependencia estadística (otra manera de calcularla).

Figura 1: Diagrama de árbol para el problema del ejemplo 1

Descripción de la figura 1: se muestra un diagrama de árbol con las probabilidades calculadas sobre las ramas.
En el primer nivel están las probabilidades que se calcularon previamente, en el segundo nivel las probabilidades
condicionales.
Compara este árbol con las probabilidades calculadas en la tabla 1: la probabilidad condicional se puede obtener,
simplemente, dividiendo la probabilidad conjunta de interés en la marginal que le corresponde (que es la
fórmula estudiada en la lectura 2 para la probabilidad condicional).

Árbol de decisión en un caso de independencia estadística. Experimento de pasos múltiples

Es una regla de conteo para saber cuántos resultados experimentales hay en el espacio muestral.

El experimento típico de independencia estadística de pasos múltiples es el de la moneda.

Ejemplo 3: se tira una moneda 3 veces. Se trata de un experimento de 3 pasos. Determina las siguientes
probabilidades.

1) Que salga cara las 3 veces.

2) Que salga cara la primera tirada.

3) Que salga cruz las dos primeras tiradas.

4) Que por lo menos una vez salga cara.

5) Que salga cruz las 3 veces.

Para calcular estas probabilidades es muy útil razonarlo con un árbol de decisión, recuerda que los eventos son
independientes, lo que sale en la primera tirada no condiciona lo que saldrá en la segunda y en la tercera.

Cada nivel es una tirada de moneda, por lo tanto, este árbol tendrá 3 niveles.

Al finalizar los recorridos de cada rama, podrás deducir fácilmente cuántos resultados experimentales tienes
para poder comenzar a calcular la probabilidad del evento que desees.

Luego de armarlo, verás que se pueden calcular, no solo las probabilidades que se pidieron en este ejemplo,
sino muchas más y observarás cómo se cumplen también las reglas de la probabilidad.

Figura 2: Diagrama de árbol para el problema del ejemplo 3

Descripción de la figura 2: se muestra un diagrama de árbol con las probabilidades calculadas sobre las ramas.
En el primer nivel están las probabilidades que se tienen en la primera tirada, y así sucesivamente. En el segundo
nivel, también sobre las ramas, se calculan las probabilidades condicionales, que en este caso son iguales a las
probabilidades simples calculadas en la tirada anterior, por lo tanto, los eventos son independientes.

Conclusiones:

 Los puntos muestrales que forman todo el espacio muestral son 8. Son 8 las variaciones que pueden hacerse
en las 3 tiradas.
 Se calculan en este caso 2n= 23=8, la base está dada por los eventos simples que se obtienen en cada tirada
y la n es igual al número de tiradas.

Árbol de decisión en un caso de dependencia estadística. Experimento de pasos múltiples

El ejemplo típico es el de extraer bolillas de un bolillero, sin reponerlas. Las extracciones sucesivas se consideran
un experimento de pasos múltiples.

Otro ejemplo de experimento de pasos múltiples es elegir a dos personas entre 5 en una rifa. Siempre
supondremos que las elecciones se realizan una a una y que todas tienen la misma probabilidad de ser elegidas.

Ejemplo 4: supongamos que un comerciante tiene en su mesa 10 monedas, de las cuales sabe que 4 son falsas
y no puede distinguirlas. Si va extrayendo 2 monedas sucesivamente, sin reponerlas, determina la probabilidad
de que en las dos extracciones haya por lo menos una moneda falsa. Armemos el árbol de esta situación.

Figura 3: Árbol de decisiones para el ejemplo 4, eventos dependientes.

Descripción de la figura 3: en la figura se muestra cuál sería el árbol correspondiente a un experimento aleatorio,
con eventos dependientes correspondiente al ejemplo 4.

Conclusiones

 Observa en las ramas del primer nivel: la suma de las probabilidades es 1, son eventos simples, pueden
escribirse como número decimal o dejarlas en fracción reducida.
 En el segundo nivel, las probabilidades que están sobre las subramas son condicionales y distintas a las
probabilidades simples de la primera extracción, por lo que los eventos son dependientes. Estas
probabilidades se calculan directamente, no hace falta la fórmula de la probabilidad condicional, pues la
probabilidad de extraer una falsa, después de haber extraído una falsa en la primera extracción, la podemos
calcular preguntándonos: ¿cuántas falsas quedan, si extraje en la primera una falsa? Quedan 3 porque eran
4 y, ¿cuántas monedas hay en la segunda extracción sobre la mesa? Hay 9 monedas, porque ya extraje 1 y
no la repuse. Por lo tanto, la P(F/F) = 3/9

Justificación: la probabilidad se calcula

de la siguiente manera, teniendo en
cuenta que son 5 extracciones:
(5/20)×(4/19)× (3/18)×(2/17)×(1/16)
=6,5×10-5= 0,000065, las
probabilidades como era de esperar,
son muy bajas. Como estamos
aproximando las probabilidades a 4
decimales, podemos escribir que es
aproximadamente igual a 0,0001 (en
notación científica es 10-4).

Los árboles de decisión son especialmente recomendados en los experimentos de pasos múltiples.

En cambio, para problemas basados en enfoques objetivos de frecuencias relativas, se utilizan más las tablas de
contingencia.

No hay que confundir la noción de eventos mutuamente excluyentes con la de eventos independientes. Dos
eventos cuyas probabilidades no son cero, no pueden ser mutuamente excluyentes e independientes. Si uno de
los eventos mutuamente excluyentes ocurre, el otro evento no puede ocurrir; por tanto, la probabilidad de que
ocurra el otro evento se reduce a cero.

Probabilidad total y Teorema de Bayes

Probabilidades marginales bajo dependencia estadística
Probabilidades marginales en una tabla y en un árbol

La probabilidad marginal de un evento es la probabilidad de que ese evento ocurra. Dijimos que es un evento
simple, pero que, muchas veces, no es tan fácil de calcular cuando no es dato del problema. Además, el evento
puede depender de otros o estar relacionado con otra serie de eventos.

Primero, veremos cómo se calcula en una tabla de contingencia y, luego, en un diagrama de árbol. Al finalizar
con estos ejemplos, definiremos el teorema de la probabilidad total que incluye a las probabilidades marginales
y conjuntas.

Expresión de una probabilidad marginal mediante un diagrama de árbol

Recuerda que el diagrama de árbol es una alternativa a la tabla de contingencia y, según lo que se quiera calcular,
es muy útil para visualizar las probabilidades condicionales y conjuntas.

Primero analicemos si los eventos, estar enfermo o no, son dependientes con los eventos de exposición a un
factor de riesgo o no. Pues, si son independientes, no se cumple la regla que vamos a enunciar.
Tomemos los eventos E={la persona está enferma} y S={la persona se expuso a un factor de riesgo}

Según el postulado de la independencia estadística debe darse que:

Por lo tanto, los eventos son dependientes.

Figura 1: Diagrama de árbol del ejemplo 1

Descripción de la figura 1: se muestra el diagrama de árbol del problema del ejemplo 1, en el que figuran
probabilidades marginales, condicionales y conjuntas.

Teorema de la probabilidad total

“Las probabilidades marginales en condiciones de dependencia estadística se calculan mediante la suma de las
probabilidades de todos los eventos conjuntos en los que se presenta el evento sencillo”.

Para generalizar el ejemplo 1, observemos lo siguiente:

Si tomamos los eventos S={la persona se expuso a un factor de riesgo} y N{la persona no se expuso a un factor
de riesgo}, vemos que ambos son mutuamente excluyentes y colectivamente exhaustivos, pero ambos están
relacionados con otros eventos: E={la persona está enferma} y su complemento. Tomemos como ejemplo solo
el evento E, dejemos el otro evento como el complemento de E. La situación se vería de la siguiente manera, en
un diagrama de Venn, podemos particionar el espacio muestral de la siguiente manera:

Figura 2: representación con diagramas de Venn de los eventos que intervienen en el Teorema de la
probabilidad total
Descripción de la figura 2: se presenta una situación entre cuatro conjuntos, S, N, E, E´, los dos primeros
mutuamente excluyentes entre sí, pero ambos en intersección con los otros dos, que también son mutuamente
excluyentes entre sí. La suma de las intersecciones son los eventos que nos interesan.

Observa que (E∩S) U (E∩N) = E

 El evento E, lo hemos tomado como información a priori.

 Los eventos S y N son la información nueva, la que se obtuvo después de investigar la influencia de los
factores de riesgo.

Podemos interpretar que los eventos S y N son las causas (o las circunstancias) por las que puede ocurrir el
evento E.

O dicho de otra forma, el estar o no enfermo depende de si la persona se expuso o no a los factores de riesgo.

Entonces, el teorema de la probabilidad total viene a decir que si el suceso E puede ocurrir por alguna de las
causas: S o N, la probabilidad de que ocurra E es la suma de las probabilidades P(E∩S) y P(E∩N).

Pero, por definición de probabilidad conjunta y observando las ramas del árbol, las probabilidades conjuntas
podemos escribirlas de las siguientes formas:

P(E∩S)=P(E).P(S⁄E) o también P(S∩E)=P(S).P(E⁄S)

Y además:

P(E∩N)=P(E).P(N⁄E) o también P(N∩E)=P(N).P(E⁄N)

Estas fórmulas nos dan más libertad de usarlas según la conveniencia, según el dato con el que contemos a
priori, es decir, según la condición que tengamos.

Por lo que podemos hacer es escribir otra forma el teorema de la probabilidad total: P(E)=P(E∩S)+P(E∩N)

Sustituyendo: P(E)=P(E).P(S⁄E)+P(E).P(N⁄E)

Figura 3: representación con diagramas de Venn de los eventos que intervienen en el teorema de la
probabilidad total en forma general

Descripción de la figura 3: es una representación de lo que

ocurre en el espacio muestral relacionada con eventos
mutuamente excluyentes y conjuntos, para visualizar mejor
el teorema de la probabilidad total. La suma de las
intersecciones son los eventos que nos interesan.