Documentos de Académico
Documentos de Profesional
Documentos de Cultura
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 porcentajes no son probabilidades, pero se utilizan comúnmente para expresar una probabilidad (aunque
en Estadística cuando se trate de porcentaje diremos “posibilidad”).
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:
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.
Ejemplo 1: Al lanzar un dado una vez, algunos de los eventos pueden ser:
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”:
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”:
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”:
E2= {que salga un uno y un tres} evento compuesto imposible en una tirada.
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”:
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.
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.
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.
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.
Ejemplo: En el caso del dado, que se tira una sola vez, los eventos son:
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.
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.
También recuerda que, para los eventos compuestos, puedes escribir los conectores lógicos siguientes:
Enfoques de probabilidad
Enfoques de probabilidad básica que se utilizan para dar valor a la probabilidad de que un evento ocurra:
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.
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
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:
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
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
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.
Asignación de probabilidades
Regla aditiva
Regla de la adición para calcular probabilidades según el tipo de eventos:
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.
Algunos autores representan los eventos con un punto dentro de un rectángulo que representa el espacio
muestral.
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:
Respuestas:
Para responder la pregunta 4) primero analizaremos el diagrama de Venn que se corresponde con este
problema:
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:
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:
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:
Y si los eventos son mutuamente excluyentes, como el caso de , entonces se quita el último miembro a la
expresión y queda:
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.
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.
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?”
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
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
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.
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
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:
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}.
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.
Este resultado revela una información importante: el conocimiento previo de alguna condición no influye en la
probabilidad buscada.
Resumiendo, en el ejemplo 7:
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:
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:
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?
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).
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 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.
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).
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).
Es una regla de conteo para saber cuántos resultados experimentales hay en el espacio muestral.
Ejemplo 3: se tira una moneda 3 veces. Se trata de un experimento de 3 pasos. Determina las siguientes
probabilidades.
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.
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.
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.
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
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.
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.
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}
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.
“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”.
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.
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:
Y además:
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