Probabilidad condicional

A menudo sucede que un evento influye en que se presente u ocurra otro. Esto recibe el nombre de probabilidad
condicional, que se define como la probabilidad de que el evento A ocurra, puesto que ya se presentó el evento B. La
probabilidad condicional se calcula como sigue:

𝑃 𝐴∩𝐵
𝑃 𝐴𝐵 =
𝑃 𝐵
donde P(B) > 0.
A este tipo de probabilidad condicional se le conoce como a priori, ya que sucede un evento y se quiere conocer la
probabilidad de su efecto.

Cuando se determina una probabilidad condicional el

espacio muestral se “reduce”, es decir, como ocurrió el
evento B, entonces el “nuevo” espacio muestral tiene la
característica del evento B. El diagrama de Venn
correspondiente se presenta en la figura

89
 A partir de la fórmula para calcular la probabilidad condicional se deduce que:

𝑃 𝐴∩𝐵
𝑃 𝐴𝐵 = ֜𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 𝐵 𝑃 𝐵
𝑃 𝐵

A este resultado se le conoce como la ley de la multiplicación. También se puede comprobar la independencia de
eventos (recuerda que hay independencia de eventos cuando el que ocurra uno de ellos no influye en que se presente
otro), siempre que se cumpla que:

𝑃 𝐴𝐵 =𝑃 𝐴

o bien

𝑃 𝐵𝐴 =𝑃 𝐵

90
 Ejemplo 7 Retomemos el ejemplo de la universidad, cuya población es de 1500 estudiantes, de los cuales 850
estudian alguna licenciatura y 650 alguna ingeniería. Determina la probabilidad de que un alumno
elegido al azar:
a. Estudie ingeniería, puesto que es hombre.
b. Si estudia alguna licenciatura, entonces es mujer.
Solución 𝑃 𝐼∩𝐻
a. Probabilidad de que un alumno elegido al azar estudia ingeniería, puesto que es hombre: 𝑃 𝐼𝐻 =
𝑃 𝐻

La tabla de contingencia
respectiva es la siguiente:

91
Y el árbol de probabilidad es:

92
 De esta manera:
De modo que la probabilidad de que un alumno elegido al azar
𝑃 𝐼𝐻 300 estudie ingeniería, puesto que es
𝑃 𝐼𝐻 = = = 0.5454
𝑃 𝐻 550 hombre, es de 54.54%.

b. La probabilidad de que un alumno elegido al azar estudie licenciatura sea mujer es decir

𝑃 𝑀∩𝐿
𝑃 𝑀𝐿 =
𝑃 𝐿

93
 En el caso del árbol de probabilidad, como no lo tenemos por tipo de carrera, entonces podemos hacer dos cosas:
i. Elaborar un nuevo árbol de probabilidad, en el que la primera rama sea el tipo de carrera.
ii. Los que estudian licenciatura pueden calcularse como:

pues consideramos tanto a los hombres como a las mujeres que estudian una licenciatura.

El árbol de probabilidad correspondiente es:

De esta manera:

es decir, la probabilidad de que un alumno elegido al azar

estudie licenciatura y sea mujer es
de 70.58%. 94
Distribución de probabilidades de variables aleatorias discretas

95
Variable aleatoria discreta
Una variable aleatoria es un medio para describir los resultados del espacio muestral empleando números, es decir, es
una función1 que asigna valores numéricos a cada uno de los eventos del espacio muestral. Puede ser discreta o continua
y se acostumbra representarla con una X.
Como ejemplos de variables aleatorias tenemos:
• Número de veces que sale 6 al lanzar un dado dos veces.
• El tiempo que requieres para hablar por teléfono celular con tu mejor amig@: los valores serían de 0 a k, donde k es
el tiempo que tengas disponible, de que dure la batería o de que tu amig@ resista.

Las variables aleatorias discretas son aquellas en que el número de valores posibles que toman es finito o infinito, pero
que puede numerarse.

Ejemplo 1

ejemplos de
variables aleatorias
discretas:

96
Distribución de probabilidad
Una vez que determinamos los valores de la variable aleatoria, les asignamos una probabilidad, y a esto se le llama
distribución de probabilidad. Las propiedades que debe cumplir una distribución de probabilidad son:

𝒂. 0 ≤ 𝑃 𝑋𝑖 ≤ 1

b. σ𝑛𝑖=1 𝑃 𝑋𝑖 = 1

donde Xi es el valor de la variable aleatoria y P(Xi) es la probabilidad asociada al valor Xi. Una distribución de
probabilidad puede representar:

• En forma tabular: es una tabla donde se muestran en una columna todos los posibles valores de la variable aleatoria
y en otra columna las probabilidades asociadas a cada valor.
• En forma gráfica: es una gráfica de barras cuyas alturas corresponden a la probabilidad de cada valor de la variable
aleatoria.
• En forma de función: cuando la distribución de probabilidad se define mediante una fórmula. A esta expresión se le
llama función de probabilidad.

97
Ejemplo 2 Se lanzan dos monedas “justas” y se cuenta el numero de “soles”. Determina la función de
probabilidad para este experimento y traza la grafica correspondiente.
Solución
Sea S : sol y A : águila.
El espacio muestral asociado a este experimento es: {(A, A), (S, A), (A, S) (S, S)}
• Distribución de probabilidad y representación gráfica:

Observa que cada una de las probabilidades están entre 0 y 1 y que si

sumas todas las probabilidades, el resultados es 1.

98
Ejemplo 3 Dada la tabla siguiente:

a. Comprueba si es una distribución de probabilidad.

b. Calcula P (X = 1)
c. Calcula P (X < 2)
d. Calcula P (X ≥ 2)

Solución
a. Para saber si es una distribución de probabilidad debemos comprobar que se cumplen las
propiedades:
• Cada una de las probabilidades están entre cero y uno.
• Si sumamos las probabilidades (0.20 + 0.25 + 0.15 + 0.40), el resultado es 1.
Por tanto, si es una distribución de probabilidad.

b. Buscamos en la tabla: P (X = 1) = 0.25

99
c. Para calcular P (X < 2), primero determinamos los valores de
X que son menores a 2, es decir, X = 0, 1.
Como son eventos independientes, sumamos las
probabilidades asociadas como se muestra a continuación:

P(X < 2) = P(X = 0) + P(X = 1) = 0.20 + 0.25 = 0.45

Este calculo recibe el nombre de probabilidad acumulada.

d. Para calcular P (X ≥ 2) disponemos de dos formas:

i. Determinamos los valores de X mayores o iguales a 2 y

sumamos sus probabilidades:
P (X ≥ 2) = P (X = 2) + P (X = 3) = 0.15 + 0.40 = 0.55

ii. Hacemos un “truco” con el concepto de complemento:

P (X ≥ 2) = 1 – P (X < 2) = 1 – 0.45 = 0.55

100
Teorema del límite central
El teorema describe la distribución de la media de una muestra aleatoria proveniente de una población con varianza
finita. Cuando el tamaño de la muestra es lo suficientemente grande, la distribución de las medias sigue
aproximadamente una distribución normal.

Media o valor esperado

La media o valor esperado es una medida de localización central de la variable aleatoria. Se calcula de la manera
siguiente:
𝑛

𝜇 = 𝐸 𝑋 = ෍ 𝑋𝑖 𝑃(𝑋𝑖 )
𝑖=1

es decir, es un promedio ponderado de los valores que toma la variable aleatoria (𝑋𝑖 ), donde las ponderaciones (o pesos)
son las probabilidades [P(𝑋𝑖 )].

101
Varianza y desviación estándar
La varianza y la desviación estándar son medidas de dispersión o variabilidad de la variable aleatoria. La primera se
calcula de la siguiente manera:
𝑛

𝜎 2 = 𝑉𝑎𝑟 𝑋 = ෍ 𝑃(𝑋𝑖 ) 𝑋𝑖 − 𝜇 2

𝑖=1

En otras palabras, es el promedio ponderado de las distancias al cuadrado de cada valor de la variable aleatoria
respecto a su media. Esto indica cuán alejados están los valores en relación con la media. Se eleva al cuadrado para
hacer más evidente esa distancia (variabilidad).

Como el resultado de la varianza se expresa en unidades al cuadrado, determinamos la desviación estándar calculando
sólo la raíz cuadrada de la varianza.

102
Ejemplo 4 Para seguir con el ejemplo 2, calcula la media y la desviación estándar del numero de soles que
pueden caer cuando se lanzan dos monedas.
Solución
La distribución de probabilidad para este ejemplo es:

Con base en esta información, calculamos la media y la

desviación estándar. Primero la media:

𝜇 = 𝐸 𝑋 = (0 ∙ 0.25) + (1 ∙ 0.50) + (2 ∙ 0.25) = 1

𝜎 2 = 𝑉𝑎𝑟 𝑋 = 0.25 0 − 1 2
+ 0.5 1 − 1 2
+ (0.25) 2 − 1 2
= 0.50

Por tanto, la desviación estándar 𝜎 = 0.50 = 0.7071

103
Actividad: A continuación se presentan tres supuestas distribuciones de probabilidad:
A) B) C)
X P(X) X P(X) X P(X)
0 0.2 0 0.3 0 0.2
1 0.1 1 0.4 1 0.3
2 0.3 2 0.1 2 0.1
3 0.4 3 0.3 3 0.4

a) Para cada una de ellas, explica si satisfacen las propiedades de toda distribución de probabilidad discreta.
b) De la que realmente es una distribución de probabilidad, calcula la media y la desviación estándar.

104