AES-311, Estadística I
4. Probabilidades
4.1 Introducción
Antiguamente, las cajas de fósforos traían una leyenda del
tipo “50 fósforos m/m”. La expresión m/m significa “más o
menos”. Así, no todas las cajas de fósforos de “50 fósforos”
trían 50 fósforos. La razón de esto es que resultaba
antieconómico controlar de manera exacta el contenido de
cada caja. El caso de las cajas de fósforos parece fuera de lo
común, pero lo único excepcional es que se advertía sobre
la inexactitud del contenido. En efecto una ampolleta de 60
watts no tiene exactamente 60 watts, una bolsa de azúcar de
1 kilo no pesa exactamente 1 kilo, etc.
El punto principal que se quiere ilustrar es que en toda
medición está presente la variabilidad, incluso en aquellas
áreas que se suele considerar como exactas.
Otra manera de expresar el concepto de variabilidad se
encuentra en los términos de incertidumbre, azar,
impredecible, etc. Por ejemplo, al lanzar una moneda al aire
es difícil predecir si saldrá cara o sello. En principio sería
posible aplicar las leyes físicas para determinar el resultado
de este experimento, pero esto requeriría conocer muchos
datos, entre ellos la posición, la fuerza del lanzamiento, la
dirección, etc. Aún cuando existen magos que son capaces
de lanzar una moneda repetidamente, obteniendo cara en
cada oportunidad, en las situaciones usuales, esto no sucede
y es costumbre de pensar que el resultado lo determina el
azar.
Departamento De Matemática y Estadística
Tal vez es sorprendente que el azar sea susceptible de ser
formalizado y tratado matemáticamente. La rama de la
matemática que se preocupa de este tema y que está
íntimamente ligada a la estadística, se conoce como teoría
de probabilidades.
La idea primaria de la teoría de probabilidades es medir, en
algún sentido, el grado de incerteza ó incertidumbre sobre
cierto hecho o suceso.
4.1.1. El desarrollo de un suceso aleatorio
El azar (de aquí la palabra aleatorio) es conocido desde
mucho tiempo a través de los llamados “juegos de azar”.
Hoy día, por ejemplo, se juega a las cartas o ala ruleta. Los
antiguos astrágalos, y luego, dados. Los astrágalos son
pequeños huesos del talón de ciertos animales. Estos
elementos han sido encontrados con mucha frecuencia en
investigaciones arqueológicas, en excavaciones que datan
de la prehistoria, entre los pueblos babilónicos, egipcios,
griegos y romanos.
El uso que el hombre prehistórico dio a estos huesitos, nos
es desconocido. Bien pueden haber constituido piezas de
valor para transacciones comerciales o haber sido usados
sólo para jugar. Algunas evidencias, como las pinturas en
los vasos griegos, indican el juego con astrágalos es muy
antiguo y difundido también entre los niños. Muchos
registros encontrados muestran que los ”juegos de salón”
con astrágalos, se usaban en Egipto, hacia la época de la
primera dinastía (año 3500 a. de C.). Los juegos se hicieron
populares en ciertas situaciones históricas como la
35

hambruna de Lidia (1500 a. de C.), o el sitio de Troya, que
duró 10 años.
También los dados pertenecen a épocas remotas y uno de
las más antiguos que se ha encontrado, hecho de arcilla bien
cocida, data del año 3000 a. de C. La sustitución de los
huesitos por el dado fue paulatina, pero el esquema actual
de los dados ya se usaba hacia la décima octava dinastía
Egipcia.
El juego de azar con éstos y otros elementos ha sido
repetidamente prohibido y controlado, particularmente
durante la Edad Media, pero por algún motivo, nunca ha
desparecido.
Así pues, la era cristiana nos encuentra con dados,
astrágalos, palitos y otros elementos análogos para jugar o
para adivinar, ya sea el futuro o lo que deseen revelar los
dioses. Sin embargo, aunque la idea de contar o adivinar
está firmemente impuesta, no se habla de probabilidad ni se
tiene el concepto de número que usamos hoy día. Se puede
decir de paso, que los juegos y/o adivinaciones con cartas,
sólo se han usado en los últimos tres mil años.
4.1.2. Probabilidades
Se puede especular lo que quiera con los números, juegos,
dados, etc., pero lo que más interesa es el nacimiento del
concepto de probabilidad.
La idea de azar, es muy antigua. No existe registro de este
hecho, aunque hay evidencia que un azar “positivo” se
Departamento De Matemática y Estadística
AES-311, Estadística I
buscó asiduamente desde tiempos inmemoriales. Pero, ¿Por
qué demoró tanto el surgimiento de las probabilidades a
partir de los dados y otros juegos?
Parece razonable pensar que el lanzamiento de un astrágalo,
objeto naturalmente sesgado, debió dar la sospecha de una
proporción mayor de resultados para una cara que para otra,
introduciendo así, a lo largo de millones de lanzamientos, el
concepto de estabilidad de las frecuencias relativas.
Sólo se puede especular en el por que de esta demora. Una
posibilidad bastante sólida la encontramos en la necesidad
de un sistema numérico de cálculo y notación. El que
usamos actualmente sólo data del presente milenio, allá por
el 1500 d. de C., y es adecuado para el cálculo de las
probabilidades. Antes de esa fecha, los sistemas numéricos
conocidos hacían prácticamente imposible un desarrollo del
cálculo combinatorio y de probabilidades. Otra posibilidad
es que estas probabilidades efectivamente se conocieron y
calcularon, pero se mantuvieron “intra templos”, sin
divulgarse. Una tercera idea especulativa es una cierta
definición “pecaminosa” del tema del azar, interpretándose
como un intento por penetrar los misterios divinos.
Debemos a los griegos el desarrollo de la lógica científica,
ideas que influyeron en las ciencias naturales por cerca de
1500 años, y que desarrollaron entre otras cosas, la
enumeración de sucesos, probabilidades o causalidad, pero
las probabilidades, si aparecen, son meras ideas pasajeras.
También encontramos en los matemáticos griegos y en los
filósofos romanos la idea alternativa de que los dioses
controlaban la caída de los dados o astrágalos en los juegos
36

de azar. Parece haber en esta idea algún acercamiento
respecto al concepto de probabilidad que, sien embargo,
jamás de formuló. Un ejemplo de este sentido instintivo
acerca de la probabilidad lo encontramos en “De
Divinatione”, donde Cicerón plantea un argumento para
destruir esta idea cuando pone en boca de Quintus las
frases: “...¿Dices que son enteramente fortuitas?. ¡Vamos¡,
¡vamos¡ ¿realmente piensas eso?... Cuando los cuatro
dados producen el resultado de Venus puede hablar de un
accidente, pero supongamos que haces cien lanzamientos y
el resultado Venus aparece cien veces, ¿Podrías llamar a
eso accidental?...”
La interpretación en este caso, es que una racha de 100
“Venus” es tan improbable que la(s) divinidad(es) debe(n)
estar interviniendo para causar esta racha (cuatro caras
distintas formaban la jugada Venus).
Todo lo dicho hace pensar que en el mundo antiguo existían
las bases para definir el concepto de probabilidad, sin
embargo, los filósofos de la época (Platón y Aristóteles
entre otros) centraban, al parcer, sus mayores
preocupaciones en la búsqueda de regularidad, orden y
repetición del movimiento de los cuerpos celestes.
4.1.3. Los inicios.
La segunda mitad del primer milenio de nuestra era se
encuentra con un cristianismo en expansión y una Roma en
decadencia, sucesivamente saqueada por Alrico y
Genserico y salvada de la invasión de Atila. La influencia
Departamento De Matemática y Estadística
AES-311, Estadística I
hindú en astronomía y matemática se extiende a occidente.
En el siglo VII, los árabes tienen embajadores en China y
dominan el Mediterráneo. Aprenden de los hindúes y del
saqueo de las bibliotecas de Alejandría y, hacia el siglo
VIII, dominan Europa hasta la península ibérica.
Los árabes mezclaron las ideas del pensamiento matemático
hindú con la austeridad del método filosófico griego. De los
hindúes obtuvieron el número, la aritmética comercial y la
astronomía. De los griegos el método filosófico.
A fines del primer milenio y comienzos del actual, declinó
el poder de los árabes. Surgió la reconquista cristiana. Se
fundaron las primeras universidades hacia el 1200 d. de C.
El saqueo de Babilonia entregó más tesoros filosóficos.
Surge un precursor del pensamiento matemático: Leonardo
de Pisa o Fibonacci (1170-1250).
Se desarrollan los números arábicos y las primeras ideas
contemporáneas de las combinaciones y probabilidades.
Surge el comercio de Florencia (Italia), pero las ideas
probabilísticas no iniciaron su desarrollo hasta que
Leonardo da Vinci (1452-1514) las popularizara, y su gran
amigo Fra Luca Pacido, las publicara en Venecia. Fra Luca
no fue un matemático destacado. Su importancia radica en
la escritura (llena de plagios, como era común en la época)
de ideas sobre álgebra, aritmética y geometría, que dieron
ímpetu a Cardano y Tartaglia para escribir sus propias
versiones. Estas versiones incluyen cálculo de
probabilidades para ciertos juegos o negocios y, aunque
están erradas, marcan el comienzo de la preocupación por
el tema.
37

En 1812 Pierre Simón Marquez de Laplace presenta su
Théorie Analytique de Probabilités, en el presentó muchas
ideas, métodos y resultados acerca de la teoría de
probabilidades. En la última mitad del Siglo XIX la escuela
Rusa contribuyó enormemente al desarrollo de la teoría
con los trabajos de Chebychev, Liapunov y Markov. En el
Siglo XX Borel inicia la conexión entre la teoría de
probabilidades y la teoría matemática, teniendo como
seguidores a Khintchine, Kolmogorov, Slutsky, Paul Levy
y Fisher, siendo considerado este último como el Padre de
la Estadística Moderna.
En síntesis, se puede decir que la teoría de probabilidades
se inició en la mesa de juegos.
4.2 Conceptos Básicos y definición de probabilidades.
4.2.1 Conceptos Básicos.
Como se ha mencionado en los párrafos anteriores, la
incertidumbre sobre la ocurrencia de cierto hecho,
generalmente juegos de azar, marcan el inicio de las
probabilidades.
Pero, ¿qué es una probabilidad?. En forma simple se
entenderá por probabilidad como la cuantificación del
grado de certeza (posibilidad) sobre la ocurrencia de un
resultado de cierto experimento. Un ejemplo de ello es: “Al
lanzar una moneda”, ¿puedo apostar a que sale cara y
ganar?. Dicha cuantificación la expresaremos en cantidades
numéricas mayores o iguales a cero y menores o iguales a
uno.
Departamento De Matemática y Estadística
AES-311, Estadística I
Debe quedar en claro que, mientras mayor sea la
posibilidad de ocurrencia de un cierto hecho, mayor debe
ser la probabilidad, mientras menor sea la posibilidad de
ocurrencia, menor debe ser la probabilidad.
Así:
• Si un suceso es imposible que ocurra (por ejemplo al
lanzar una moneda se obtenga cara y sello en forma
simultánea) la probabilidad de ese suceso es cero.
• Sí un suceso es seguro que ocurra (por ejemplo al lanzar
una moneda sale cara o sale sello) la probabilidad de
ese suceso es uno.
• Y si un suceso es incierto, la probabilidad de que ocurra
este suceso es un número entre cero y uno.
La probabilidad es importante en la toma de decisiones,
porque suministra un mecanismo para medir, expresar y
analizar la incertidumbre asociada con sucesos futuros.
Cuando se lanza una moneda, o se lanza un dado, o se
apuesta al loto o el kino, se está realizando un experimento.
Los experimentos anteriores, tienen en común que no se
sabe que resultado se va a obtener, pero a pesar de no saber
que resultado se obtendría, sí se sabe que el resultado debe
ser uno de los posibles resultados que de antemano se
conocen. De esta manera, a pesar de no saber que resultado
se obtiene al lanzar una moneda, sí se sabe que ese
resultado puede ser cara ó sello.
Todo experimento, donde no se tiene la certeza sobre el
resultado que se va a obtener, será llamado experimento
38
 AES-311, Estadística I

aleatorio. Mientras que el conjunto de resultados posibles

de dicho experimento aleatorio recibe el nombre de espacio
muestral, el que se denota por Ω. Algunos ejemplos son:

• El experimento aleatorio lanzar una moneda tiene

espacio muestral Ω = {Cara, Sello}
• El experimento aleatorio lanzar un dado tiene por
espacio muestral Ω = {1,2,3,4,5,6}
• El experimento aleatorio lanzar dos veces una moneda
tiene por espacio muestral Ω={CC, CS, SC, SS}.

Cuando un experimento aleatorio se desarrolla en etapas, se

puede representar gráficamente el espacio muestral. Este
gráfico recibe el nombre de diagrama de árbol. Para
aclarar ideas, considere el siguiente experimento: Una urna
contiene dos fichas blancas (B) y tres fichas rojas (R). Se Cada rama del árbol representa un resultado en el espacio
extraen dos fichas, de una a la vez, sin reposición. El muestral.
diagrama de dispersión de este experimento se muestra en
la siguiente figura: 4.2.2. Eventos.

Todo subconjunto de un espacio muestral se llamará suceso

o evento. En los ejemplos anteriores tenemos como
algunos eventos o sucesos:

• Lanzar una moneda → A = {Obtener cara}

• Lanzar un dado → B = {Obtener Numero par}
• Lanzar dos veces una moneda → C = {Obtener al
menos una cara}

Departamento De Matemática y Estadística 39

 AES-311, Estadística I

Existen algunos eventos especiales, los que se van a definir • Dos eventos A y B son mutuamente excluyentes
a continuación: o disjuntos, sí la intersección de A y B es un
evento imposible ( A I B = Φ ), es decir, sí A y B
• Se dirá que un evento es seguro si su probabilidad no tienen elementos en común.
de ocurrencia es 1.
• Un evento es imposible si su probabilidad de
ocurrencia es 0. La notación de un evento imposible
es Φ (conjunto vacío).
• El complemento de un evento A , es el conjunto de
todos los elementos de Ω que no están en A . Se
denota por Ac = Ω − A .

• La unión de dos eventos A y B ( A U B ), es el

evento que contiene a todos los elementos que
pertenecen a A ó a B ó a ambos.

• La intersección de dos eventos A y B ( A I B ), es

el evento que contiene a todos los elementos que
son comunes a A y a B .

4.2.3. ¿Clásico, frecuentista ó subjetivo?

Note que, en un experimento aleatorio, las probabilidades

son asignadas a los resultados en el espacio muestral. Se
pueden usar varios métodos para asignar la probabilidad a

Departamento De Matemática y Estadística 40


cada resultado en Ω, sin embargo, independiente del
método a usar se deben satisfacer dos requisitos básicos:
i) La probabilidad que se asigne a cada resultado del
experimento aleatorio debe ser entre 0 y 1, es decir,
si ri representa el resultado i-ésimo : 0 ≤ P(ri ) ≤ 1 .
ii) La suma de todas las probabilidades de los
resultados en Ω, debe ser 1, es decir, si Ω tiene k
resultados: P(r1 ) + P(r2 ) + K + P(rk ) = 1 .
En la práctica, para asignar probabilidad a un resultado de
un experimento aleatorio, se usa alguno de los siguientes
puntos de vista:
• Punto de vista Clásico.
• Punto de vista Frecuentista.
• Punto de vista subjetivo.
El punto de vista clásico postula que: “al realizar un
experimento aleatorio todos los resultados (de este) tienen
la misma posibilidad de ocurrir”. Este principio apuesta a
los juegos honestos, por ejemplo: al lanzar una moneda la
posibilidad de que salga cara es la misma a que salga sello.
Por lo tanto, bajo este concepto, no son admisibles los
juegos viciados (lanzar una moneda cargada). Este
principio recibe el nombre de EQUIPROBABILIDAD.
El punto de vista frecuentista postula que: si se repite
infinitas veces un experimento aleatorio, bajo las mismas
condiciones ambientales, y se construye la tabla de
Departamento De Matemática y Estadística
AES-311, Estadística I
frecuencias de los resultados posibles del experimento
aleatorio, la columna de las frecuencias relativas
corresponde a las probabilidades de ocurrencia de cada
resultado. Este principio relaja el supuesto de
equiprobabilidad, es decir, además de admitir juegos
honestos también admite juegos viciados. El problema es
¿cómo repetir infinitas veces el experimento aleatorio?,
pero a pesar de este problema, permite entender la
probabilidad de un resultado como un porcentaje de
ocurrencia.
El punto de vista subjetivo postula que: la probabilidad de
ocurrencia de un resultado del experimento aleatorio, es
asignado según el grado de incerteza de quien emite su
opinión. Lo anterior quiere decir que dos sujetos distintos
podrían asignar probabilidades distintas a un mismo
resultado del espacio muestral. Este principio es el más
cuestionado, ya que sólo los expertos deberían emitir
opinión sobre la probabilidad de ocurrencia de cierto hecho.
4.2.4. Definición formal de probabilidades y axiomática de
conjuntos.
Diremos que P : Ω → [0,1] es una medida de probabilidad
si cumple con los siguientes tres axiomas:
Axioma 1 : P(Ω) = 1
Axioma 2 : ∀A ⊆ Ω, P( A) ≥ 0
41
 AES-311, Estadística I

Axioma 3 : Si A y B son excluyentes o disjuntos, es decir,

A I B = Φ , entonces P ( A U B) = P( A) + P( B) . Sea A un evento. Todo evento contiene resultados del
espacio muestral, y como estos resultados son mutuamente
Se puede formular el siguiente resultado: toda medida de excluyentes, la probabilidad de que ocurra el evento A se
probabilidad debe satisfacer los tres axiomas. Por otro calcula de la siguiente manera:
lado, toda función P : Ω → ℜ , que satisface los axiomas 1, Casos Favorables para A # A
P( A) = = ,
2 y 3, es una medida de probabilidad. Casos Totales #Ω

A continuación se muestra un listado de propiedades de donde los casos favorables corresponden a la cantidad de
probabilidad sobre eventos. Sean A y B dos eventos, resultados que contiene el evento A, y los casos totales hace
entonces: referencia a la cantidad de resultados que hay en el espacio
muestral Ω.
• P(A)=1-P(Ac)
• P(Φ)=0 Cuando se lanza un dado (honesto), el espacio muestral
• Sí A⊆ B Entonces P(A) ≤ P(B) asociado a este experimento es Ω={1,2,3,4,5,6}. Si se
• P(A∪B) = P(A)+P(B)-P(A∩B) define el evento A=”Sale un puntaje primo”, el evento
• P(A∩B) = P(A)+P(B)- P(A∪B) 3 1
A={2,3,5}. Por lo tanto P ( A) = = .
6 2
La validación de estos resultados se dejan al lector.
Bajo el principio de equiprobabilidad, se hace necesario el
saber contar el número de elementos que tiene un conjunto,
4.2.5. Equiprobabilidad. es decir, saber determinar, las posibles formas que puede
ocurrir un experimento y cualquier subconjunto de él.
Desde un punto de vista clásico, cuando se realiza un
experimento aleatorio, todos los resultados contenidos en el La rama de la matemática que estudia este problema, se
espacio muestral tienen la misma probabilidad de llama teoría de conteo, la que será descrita a continuación
ocurrencia. Sí los resultados en Ω son r1 , r2 ,K, rk , ellos mostrando sólo algunas herramientas básicas, que serán
deben satisfacer la relación P(r1 ) + P(r2 ) + K + P(rk ) = 1 , necesarias para el cálculo posterior de probabilidades de
1 eventos.
entonces la probabilidad del i-ésimo resultado es P(ri ) = .
k

Departamento De Matemática y Estadística 42


4.3. Teoría de Conteo
4.3.1. Principio Básico de Multiplicación
Imagine que un experimento aleatorio se puede desarrollar
en k etapas, por ejemplo lanzar k veces una moneda,
donde en la etapa 1 existen n1 resultados posibles, en la
etapa 2 existen n2 resultados posibles,...., en la etapa k
existen nk resultados posibles, entonces la cantidad de
resultados en el espacio muestral es de n1 × n2 × K × nk . Este
principio recibe el nombre de principio multiplicativo.
Ejemplo: Se lanza una moneda y un dado de 6 caras, al
determinar el espacio muestral Ω se obtienen los siguientes
resultados, Ω= {(c,1); (c,2); (c,3); (c,4); (c,5); (c,6); (s,1);
(s,2); (s,3); (s,4); (s,5); (s,6)}. La cantidad de elementos en
Ω es de 12. Al aplicar el principio multiplicativo, se
obtiene: en la primera etapa del experimento (lanzar una
moneda) se tienen dos posibilidades de resultado, mientras
que en la segunda etapa del experimento (lanzar el dado) se
tienen seis resultados posibles, por lo tanto en el espacio
muestral hay 2 × 6 = 12 resultados posibles.
Otros ejemplos:
1) Lanzar 2 monedas: # Ω = 2 × 2 = 4 .
2) Lanzar 2 dados: #Ω = 6 × 6 = 36 .
3) formar un número de 3 dígitos:
# Ω = 10 × 10 × 10 = 1000 (000 al 999).
4) Ordenar 3 objetos diferentes: # Ω = 3 × 2 × 1 = 3 != 6 .
Supongamos que los tres objetos son a,b,c, entonces
Departamento De Matemática y Estadística
AES-311, Estadística I
Ω={(a,b,c);(a,c,b);(b,a,c);(c,a,b);(b,a,c);(b,c,a)}, la
idea es pensar que tenemos tres casilleros vacíos y los
llenamos de la siguiente forma :
• Experimento1 : llenar el primer casillero → 3
posibles objetos.
• Experimento2 : llenar el segundo casillero → 2
posibles objetos
• Experimento3 : llenar el tercer casillero → 1
posible objeto
3 2 1
Luego, por el principio de multiplicación
# Ω = 3 × 2 × 1 = 3 != 6 .
4.3.2. Arreglos, combinatorias y permutaciones.
Con frecuencia se puede estar interesado en un espacio
muestral que contiene como elementos a todas las posibles
ordenaciones o arreglos de un grupo de objetos. Por
ejemplo, interesa saber de cuantas formas se pueden sentar
seis personas en una mesa circular, o de cuantas maneras se
pueden seleccionar 3 personas de un grupo de 6 personas.
Las respuestas a este tipo de preguntas las entrega el
cálculo combinatorial.
Permutaciones: Imagine que se está interesado en ordenar un
grupo de N elementos diferentes en una fila. La pregunta
natural a contestar es ¿cuántos ordenes distintos se pueden
obtener?. El problema es sí es una permutación de N
elementos, lo que nos da:
43
 AES-311, Estadística I

Ejemplo:
PN = N × ( N − 1) × ( N − 2) × K × 2 × 1 = N !
En la presentación a una licitación Ud. Como gerente de una
A cada resultado se le llama una permutación. empresa tiene que elegir a dos representantes, para los cargos
de Asesor y Encargado del proyecto. Si Ud. Dispone de
Ejemplos: cuatro personas para estos cargos, ¿De cuántas posibilidades
dispone?
a) Posibles directivas de presidente secretario y tesorero si
se tienen 3 candidatos: P3 = 3 × 2 × 1 = 3!= 6 . Suponga que los sujetos son {A, B, C y D). Así las
posibilidades son:
b) Posibles formas de ordenar la postura de 5 chaquetas
durante una semana: P5 = 5 × 4 × 3 × 2 × 1 = 5!= 120 . Posibilidad Asesor Encargado
1 A B
2 A C
Considere la siguiente situación: Se dispone de un conjunto de 3 A D
N elementos distintos, y ahora se quiere seleccionar un grupo 4 B A
de k elementos ( 0 ≤ k ≤ N ). Así, la pregunta que interesa 5 B C
responder es, ¿de cuantas maneras distintas se puede realizar la 6 B D
selección? ó ¿cuántos grupos distintos de k elementos se
7 C A
pueden formar con los N elementos?. Hay que dejar en claro
8 C B
que cuando se selecciona un elemento este no se puede volver a
9 C D
elegir nuevamente.
10 D A
Para responder la pregunta anterior, se debe tener muy claro si 11 D B
el orden en que son extraídos los elementos importa ó no 12 D C
importa.
Arreglos: Si el orden importa, la cantidad de grupos (distintos) Como se aprecia, que A sea asesor y B sea encargado no es
de k elementos que se pueden formar con los N elementos es: igual a que B sea asesor y A sea encargado, por lo tanto
estamos frente a un caso donde sí importa el orden, por lo
N! 4!
AkN = tanto la cantidad de posibilidades es: A24 = = 12 .
( N − k )! (4 − 2)!

Departamento De Matemática y Estadística 44

 AES-311, Estadística I

Por lo tanto, la cantidad de equipos con los que cuenta el

Combinatorias: Ahora, sí el orden NO importa, la cantidad de 4!
grupos (distintos) de k elementos que se pueden formar con capitán son: C24 = = 6.
(4 − 2k )!2!
los N elementos es:

N! N 4.4. Probabilidades Condicionales e Independencia

CkN = =  
( N − k )!k!  k 
4.4.1. Conceptos Básicos
Ejemplo:
Con frecuencia, la probabilidad de un evento se ve influida
En un partido de Tenis de dobles, en donde Ud. es el capitán, por la ocurrencia de otro evento relacionado. Suponga que
tiene que decidir, cual equipo jugará. Si dispone de 4 se tiene un evento A con probabilidad P(A). Si se obtiene
jugadores, ¿Con cuántos equipos cuenta? nueva información y se ve que ha ocurrido un evento
relacionado, representado por B, se quiere aprovechar esta
Suponga que los tenistas son {A, B, C y D). Así los equipos información para calcular una nueva probabilidad para el
posibilidades son: evento A. Esta nueva probabilidad se representa como
P ( A | B) y representa la incertidumbre que existe en A una
Equipo Jugador 1 Jugador 2 vez que ha ocurrido B. La notación P ( A | B ) se lee “la
1 A B probabilidad condicional de que ocurra A dado que ocurrió
2 A C B”.
3 A D
4 B C
5 B D
6 C D
Ejemplo:
Aunque parece un ejemplo muy similar al problema
anterior, la diferencia ocurre, en que aquí el orden no
Considere una urna con 10 fichas blancas y 5 fichas negras.
importa, ya que si el jugador 1 es A y el jugador 2 es B ó el
Se seleccionan dos fichas al azar (de a una a la vez) sin
jugador 1 es B y el jugador 2 es A en ambos casos se forma
reposición, es decir, selecciona una ficha y no se vuelve a
el mismo equipo.
dejar en la urna. El espacio muestral de este experimento
es mostrado en el siguiente diagrama de árbol:

Departamento De Matemática y Estadística 45

 AES-311, Estadística I

Del resultado anterior se desprende que la probabilidad de

que ocurra el evento A I B se puede escribir como
P ( A I B) = P( A | B) × P( B) . Por lo tanto, la probabilidad
de cada resultado en el problema anterior es la
multiplicación de las probabilidades de cada rama, como se
muestra en tabla:

1° Ficha 2° Ficha Probabilidad

Blanca Blanca P ( B I B) = 10 / 15 × 9 / 14
Blanca Negra P( B I N ) = 10 / 15 × 5 / 14
Negra Blanca P( N I B) = 5 / 15 × 10 / 14
Negra Negra P( N I N ) = 5 / 15 × 4 / 14
Como se puede apreciar, las probabilidades de cada
resultado es colocado sobre la rama que le corresponde, y
además, como la ficha extraída en la primera etapa del 4.4.2. Independencia estocástica
experimento no es devuelta a la urna, la probabilidad de
la siguiente ficha extraída se ve afectada por la ocurrido Aunque la probabilidad condicional tiene en cuenta la
en la primera extracción, por ejemplo, la probabilidad de alteración de la probabilidad de un evento por la ocurrencia
que la segunda ficha extraída sea blanca, depende de que de otro, también permite comprender mejor el muy
la primera ficha extraída sea blanca o negra ( 9/14 y 10/14 importante concepto de independencia o, en el lenguaje
respectivamente). que se está utilizando, de independencia de eventos.

Sean A y B eventos. La probabilidad condicional de A, Considere la situación donde P ( A | B) = P( A) , en otras

dado que ocurrió B, se define como: palabras, la ocurrencia del evento B no tiene impacto en la
probabilidad de ocurrencia del evento A. Aquí la ocurrencia
de A es independiente de la ocurrencia de B, es decir, el
concepto de independencia está intuitivamente asociado
P( A I B) con ausencia de efecto o de interacción. Desde un punto de
P( A | B) = , P( B) > 0.
P( B) vista probabilístico. Así, por ejemplo, al lanzar dos veces
una moneda, lo que se obtenga en el primer lanzamiento no

Departamento De Matemática y Estadística 46


afecta al resultado que se obtiene en el segundo
lanzamiento, ya que, el segundo lanzamiento de la moneda
puede ser considerado como si fuera el primer lanzamiento.
Se dirá que dos eventos A y B son independientes si y sólo
si P ( A | B) = P( A) y P ( B | A) = P( B) . De esto último se
desprende que P ( A I B ) = P ( A) × P( B)
Ejemplo:
En el ejemplo de la urna (10 fichas blancas y 5 fichas
negras), si las dos extracciones de las fichas se realizan
con reposición, es decir, se extrae la primera ficha luego
esta es devuelta a la urna, y luego se extrae la segunda
ficha y se deja después en la urna. El diagrama de árbol,
con las probabilidades correspondientes en cada etapa del
experimento, es mostrado en la siguiente figura:
Departamento De Matemática y Estadística
AES-311, Estadística I
Como se aprecia, la segunda extracción, ahora, no depende
de lo acontecido en la primera extracción y se puede pensar
como si se estuviera realizando la extracción de la ficha por
primera vez.
Ejemplo:
El gerente de una gasolinera sabe por su experiencia que
el 80% de los clientes usan tarjeta de crédito al comprar
gasolina. ¿Cuál es la probabilidad de que los dos clientes
siguientes que compren gasolina usen tarjeta de crédito?.
Sean
A = “El primer cliente usa su tarjeta de crédito”
B = “El segundo cliente usa su tarjeta de crédito”
Entonces el evento de interés es A I B . Como no se
cuenta con más información, se puede suponer,
razonablemente, que A y B son independientes. Entonces,
P ( A I B) = P( A) × P( B) = 0.80 × 0.80 = 0.64 .
.
4.5. Teorema Probabilidad Total y Teorema de Bayes.
4.5.1. Teorema de Probabilidades totales.
Existen situaciones donde se está interesado en un resultado
en particular, como por ejemplo, en un curso de 50
estudiantes el 40% de ellos es mujer y la probabilidad de
que una alumna repruebe es de 0.2, mientras que la
probabilidad de que un alumno repruebe es de 0.1. Se
selecciona al azar a un estudiante de ese curso ¿Cuál es la
probabilidad de que el estudiante repruebe el curso?. Para
47

aclara ideas se realiza el diagrama de árbol correspondiente
a este problema, el que se muestra en el siguiente diagrama:
Para responder la pregunta en cuestión, se debe notar que
hay dos resultados en el espacio muestral de este
experimento que cumplen con que el alumno reprueba y
esos caso son: H I R ó M I R , los que son eventos
mutuamente excluyentes. Así la probabilidad de que el
alumno repruebe es:
P( R) = P( H I R) + P( M I R)
= P( R | H ) P( H ) + P( R | M ) P( M )
ésta última expresión recibe el nombre de teorema de
probabilidades totales, siendo su enunciado el siguiente:
Departamento De Matemática y Estadística
AES-311, Estadística I
Sean A1 , A2 ,K, Am eventos que forman una partición de
Ω y B un evento cualquiera. Entonces el teorema de
probabilidades totales es:
P ( B) = P( B | A1 ) P( A1 ) + K + P( B | Am ) P( Am ) .
Por el resultado anterior, se tiene que la probabilidad
buscada es P ( R) = 0.60 × 0.10 + 0.40 × 0.20 .
4.5.2. Teorema de Bayes.
Imagine que en el problema anterior al seleccionar al
alumno resulta que este reprueba el curso, entonces se
está interesado en calcular la probabilidad de que sea una
alumna. Como se aprecia, queremos calcular la
probabilidad condicional P ( M | R ) , que es una nueva
probabilidad. Por definición de probabilidad condicional
P( M I R)
se tiene que P ( M | R) = . Por otra parte, se
P(R)
sabe que P (M I R) = P( R | M ) × P( M ) . Además por el
teorema de probabilidades totales se tiene que
P( R) = P( R | M ) × P( M ) + P( R | H ) × P( H ) . Así la
probabilidad pedida es:
P( R | M ) × P( M )
P( M | R) =
P( R | M ) × P( M ) + P( R | H ) × P( H )
Esta última expresión recibe el nombre de teorema de
bayes, y se enuncia de la siguiente manera:
48
 AES-311, Estadística I

Sean A1 , A2 ,K, Am eventos que forman una partición de Ω={1C,2C,3C ... 13C,1D,2D,3D ... 13D,1N,2N,3N ...
Ω y B un evento cualquiera. Entonces la probabilidad 13N, 1T, 2T, 3T ... 13T}
condicional P( A j | B) se calcula como: #Ω=52
a) P(A)=P({13C,13D})=2/52.
b) P(B)=P({3C,4C,5C,6C,3D,4D,5D,6D,3N,4N,5N,6N,3T,
P( B | A j ) P( A j )
P( A j | B) = 4T,5T,6T})=16/52.
P( B | A1 ) P( A1 ) + K + P( B | Am ) P( Am ) c) P(C)=P({1N, 2N, 3N ... 13N, 1T, 2T, 3T ...
13T})=26/52.
para j = 1, 2,...., m. d) P(D)=P({1C,1D,13N,13T})=4/52.

Aplicando el resultado anterior, se tiene que la
0.2 × 0.4
probabilidad es P ( M | R) =
0.6 × 0.4 + 0.4 × 0.2
4.6. Ejercicios Resueltos.
2. Considere que en el lanzamiento de un par de dados
balanceados se definen los siguientes eventos:
= 0.25 .
A={La suma 7}, D={Un dado es par}, B={La suma 11},
E={El primer dado es par} y C={La suma es un Número
Primo}

1. Si de un monte debidamente barajado de 52 naipes se a) Construya el espacio muestral y determine A,B,C,D y E

extrae una carta, ¿cuál es la probabilidad de los siguientes Determine la probabilidad de
eventos? b) A, B, Cc, Dc
c) A∩B, A∩C; B∩D
a) A={un rey rojo} d) B∪C, D∪E, Bc ∪E
b) B={3,4,5 ó 6}
c) C={una carta negra} Construya el espacio muestral
d) D={un as rojo o una reina negra} Ω={(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);
Solución: (4,1); (4,2); (4,3); (4,4); (4,5); (4,6); (5,1); (5,2); (5,3);
Si C=Corazón Rojo, D=Diamante, N=Carozón Negro y (5,4); (5,5); (5,6); (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)}
T=Trebol, entonces el espacio Muestral del #Ω=36
Experimento es:
A={(1,6);(2,5);(3,4);(4,3);(5,2);(6,1)} #A=6
B={(5,6);(6,5)} #B=2

Departamento De Matemática y Estadística 49

 AES-311, Estadística I

C={(1,1); (1,2); (1,4); (1,6); (2,1); (2,3); (2,5); (3,2); (3,4); Entonces: A∩B = {El estudiante se inscribe en ambos
(4,1); (4,3); (5,2); (5,6); (6,1); (6,5)} #C=15 cursos}
A∪B = {El estudiante se inscribe en al menos
D={(1,2); (1,4); (1,6); (2,1); (2,2); (2,3); (2,4); (2,5);(2,6); un curso}
(3,2); (3,4); (3,6); (4,1); (4,2); (4,3); (4,4); (4,5); (4,6); c
(A∪B) = {El estudiante no se inscribe en
(5,2); (5,4); (5,6); (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)} ningún curso}
#D=27
P(A) =92/160 P(B)=63/160 P(A∩B)=40/160
E={(2,1); (2,2); (2,3); (2,4); (2,5); (2,6); (4,1); (4,2); (4,3);
(4,4); (4,5); (4,6); (6,1); (6,2); (6,3); (6,4); (6,5); (6,6)} P((A∪B)c)=1- P(A∪B)=1-(P(A)+P(B)-P(A∩B))
#E=18 =1-(92/160+63/160-40/160)
=1-115/160
a) P(A)=6/36 P(B)=2/36 P(Cc)=1-P(C) =1-15/36=21/36 =45/160
c
P(D ) = 1-P(D) =1-27/36=9/36
b) P(A∩B)=P(φ)=0 4. Explique por qué debe haber un error en cada uno de los
P(A∩C)=P(A)=6/36(porque A ⊂ C) siguientes enunciados:
P(B∩D)=P(B)=2/36 (porque B ⊂ D)
c) P(B∪C)=P(B)+P(C)-P(B∩C)=2/36+15/36-2/36=15/36 a) La probabilidad de que una muestra de minerales
P(D∪E)=P(D)=27/36 (porque E ⊂ D) contenga plata es de 0.38 y la probabilidad de que no
P(Bc ∪E)=35/36 contenga plata es de 0.52.
b) No se cumple la propiedad P(A)=1-P(Ac)
3. En un grupo de 160 estudiantes graduados de ingeniería, 92 c) La probabilidad de que una operación de perforación sea
se inscriben en un curso avanzado de estadística; 63 en un un éxito es de 0.34 y la probabilidad de que no lo sea, de
curso de investigación de operaciones; y 40 en ambos. –0.66.
Determine la probabilidad de que un estudiante no se d) No se cumple la propiedad P(A)≥0
inscribiera en ningún curso e) Un técnico en reparación de aire acondicionado afirma
Solución: que hay 0.82 de probabilidades de que el compresor se
Sea A={El estudiante se inscribe en el curso de halle en perfectas condiciones, 0.64 de que el motor del
Estadística} ventilador esté en perfectas condiciones y 0.41 de que
Sea B={El estudiante se inscribe en el curso de ambos estén en óptimo estado.
Investigación de Operaciones} P(A∪B)=P(A)+P(B)-P(A∩B)=0.82+0.64-0.41=1.05>1.0

Departamento De Matemática y Estadística 50

 AES-311, Estadística I

f) La probabilidad de que un estudiante obtenga A en un
curso de geología es de 0.32 y la probabilidad de que
obtenga A o B es de 0.27.
Como A ⊂ AUB entonces P(A)≤ P(AUB) (0.32 > 027)
g) Una compañía trabaja en la construcción de dos centros
comerciales; la probabilidad de que el mayor de ellos
sea concluido a tiempo es de 0.35 y la probabilidad de
que ambos sean terminados oportunamente es de 0.42.
Como A∩B ⊂ A entonces P(A∩B) ≤ P(A) (0.42 > 0.35)
individuo de un grupo de sospechosos, de los cuales se sabe
que sólo un 5% de ellos ha cometido un crimen, se le aplica
el suero de verdad el cual implica que es culpable. ¿Cuál es
la probabilidad de que el individuo sea inocente?.
Sea SI={Suero lo encuentra Inocente}
SC=SIc={Suero lo encuentra Culpable}
I={El sujeto es Inocente}
C=Ic={ El sujeto es Culpable}
P(SC/C)=0.9 P(SI/I)=0.99 P(SC/I)=0.01
P(I)=0.95 P(C)=0.05

5. Dados P(A) = 0.50, P(B) = 0.30 y P(A ∩ B) = P(I/SC)=

0.15, verifique que: P(SC/I) * P(I) 0.01 * 0.95
= =
P(SC/I) * P(I) + P(SC/C) * P(C) 0.01 * 0.95 + 0.9 * 0.05
a) P(AB) = P(A); 0.1743
b) P(ABc) = P(A);
c) P(BA) = P(B); 7. El 5% de las unidades producidas por una fábrica se
d) P(BAc) = P(B); encuentran defectuosas cuando el proceso se encuentra bajo
control. Si el proceso se encuentra fuera de control, se
Observemos que P(A)*P(B)=0.50*0.30=0.15= produce un 30% de unidades defectuosas. La probabilidad
P(A∩B) y luego A y B son Independientes de que el proceso se encuentre bajo control es de 0.92. Si se
escoge aleatoriamente una unidad y se encuentra que es
Luego a), b) c) y d) se cumplen, puesto que si A y B son defectuosa, ¿Cuál es la probabilidad de que el proceso se
independientes entonces A y Bc, Ac y B, Ac y Bc encuentre bajo control?.
también lo son.
Sea C={Proceso bajo control}
6. Se sabe que un Suero de Verdad aplicado a un sospechoso F={Proceso fuera de control}
es 90% confiable cuando la persona es culpable y 99% D={Unidad defectuosa}
confiable si la persona es Inocente. Si se selecciona un

Departamento De Matemática y Estadística 51

 AES-311, Estadística I

P(D/C)=0.05 P(D/F)=0.30 P(C)=0.92

P(F)=0.08

P(C/D)=
P(D/C) * P(C)
=
P(D/C) * P(C) + P(D/F) * P(F)
0.05 * 0.92
0.05 * 0.92 + 0.30 * 0.08

P(C/D)= 0.657

Departamento De Matemática y Estadística 52