Estadística y Análisis de Datos

PROBABILIDADES

OBJETIVO DEL CÁLCULO DE PROBABILIDADES

El objetivo del Cálculo de Probabilidades es establecer y desarrollar modelos matemáticos adaptados
al estudio de situaciones que presentan cierto grado de incertidumbre.
El Cálculo de Probabilidades y la Estadística son disciplinas íntimamente relacionadas en cuanto que
ambas se refieren al estudio de un mismo tipo de situaciones. El Cálculo de Probabilidades desarrolla
los modelos teóricos para tratar tales situaciones y la Estadística ajusta dichos modelos a situaciones
concretas.

INTRODUCCIÓN
La teoría de la probabilidad es la parte de las matemáticas que se encarga del estudio de los
fenómenos o experimentos aleatorios. Por experimento aleatorio entenderemos todo aquel
experimento que cuando se le repite bajo las mismas condiciones iniciales, el resultado que se obtiene
no siempre es el mismo. El ejemplo más sencillo y cotidiano de un experimento aleatorio es el de
lanzar una moneda o un dado, y aunque estos experimentos pueden parecer muy modestos, hay
situaciones en donde se utilizan para tomar decisiones de cierta importancia. En principio no sabemos
cuál será el resultado del experimento aleatorio, así que por lo menos conviene agrupar en un
conjunto a todos los resultados posibles. El espacio muestral (o también llamado espacio muestra) de
un experimento aleatorio es el conjunto de todos los posibles resultados del experimento, y se le
denota con la letra S. Más adelante mostraremos que este conjunto no es necesariamente único y su
determinación depende del interés del observador o persona que realiza el experimento aleatorio. Por
otro lado, llamaremos evento o suceso a cualquier subconjunto del espacio muestral y denotaremos a
los eventos por las primeras letras del alfabeto en mayúsculas: A,B,C, etc. Con la ayuda de algunos
ejemplos ilustraremos a continuación los conceptos de espacio muestral y evento.
SUCESO; EVENTO O ACONTECIMIENTO:
Un Evento aleatorio (o suceso aleatorio) es cualquier subconjunto del espacio muestral S. Se denotan
por letras mayúsculas (A, B, etc).
El evento imposible es aquel que no ocurre nunca. Se lo denota por Ø.
El evento cierto o seguro es el que ocurre siempre, coincide con el espacio muestral.
Si el espacio muestral es discreto:
Un evento es simple si consiste solamente de un punto muestral. Se denota por Ei
Un evento es compuesto si consiste de más de un punto muestral.. 20
Ejemplo. Si un experimento aleatorio consiste en lanzar un dado y observar el número que aparece en
la cara superior, entonces claramente el espacio muestral es el conjunto S = {1, 2, 3, 4, 5, 6}. Como
ejemplo de un evento para este experimento podemos definir el conjunto A = {2, 4, 6}, que
corresponde al suceso de obtener como resultado un número par. Si al lanzar el dado una vez se
obtiene el número “4”, decimos entonces que se observó la ocurrencia del evento A, y si se obtiene por
ejemplo el resultado “1”, decimos que no se observó la ocurrencia del evento A.
Ejemplo. Considere el experimento aleatorio de participar en un juego de lotería. Suponga que hay un
millón de números en esta lotería y un jugador participa con un boleto. ¿Cuál es un posible espacio
muestral para este experimento? Naturalmente al jugador le interesa conocer su suerte en este juego y
puede proponer como espacio muestral el conjunto S = {“ganar”, “perder”}. Sin embargo puede
también tomarse como espacio muestral el conjunto que contiene a todos los posibles números
ganadores, es decir, S= {1, 2, ... , 1.000.000}. Este ejemplo sencillo muestra que el espacio muestral de
un experimento aleatorio no es único y depende del interés del observador.
Ejemplo. Suponga que un experimento aleatorio consiste en observar el tiempo en el que una máquina
en operación sufre su primera descompostura. Si se consideran mediciones continuas del tiempo,
entonces puede adoptarse como espacio muestral para este experimento el intervalo [0,∞). El

1
 Estadística y Análisis de Datos

subconjunto A = [1, 2] corresponde al evento en el que la primera descompostura se observe entre la

primera y la segunda unidad de tiempo.
Ejemplo. Suponga que se seleccionan, de forma aleatoria, artículos de un proceso de fabricación.
Cada artículo se inspecciona y se clasifica como defectuoso, D, o no defectuoso, N.
Hay muchos procedimientos estadísticos importantes llamados planes de muestreo, que determinan si
un “lote” de artículos se considera o no satisfactorio. Este tipo de planes implican tomar muestras
hasta obtener k artículos defectuosos. Suponga que el experimento consiste en tomar muestras de
artículos, de forma aleatoria, hasta que salga uno defectuoso. En este caso el espacio muestral seria
S = {D, ND, NND, NNND,…}.

Observación:
El espacio muestral puede ser:
Discreto: Si consiste de un número finito, o infinitamente numerable de resultados posibles. Cada uno
de estos posibles resultados se denomina punto muestral.
Continuo: Si tiene un número infinito no numerable de elementos. Es decir, si no se puede establecer
una correspondencia biunívoca entre los elementos del espacio muestral y los números naturales.

Como los eventos son subconjuntos de un espacio muestral, se puede “operar” con ellos usando teoría
de conjuntos para así definir nuevos eventos.
OPERACIONES ENTRE SUCESOS
Consideremos un experimento aleatorio  y sea  el espacio muestral asociado a dicho experimento.
Suma de sucesos: Sean A y B tal que A, B  , se llama suma de los sucesos A y B y se denota A+ B ó
AB, al suceso formado por todos los sucesos elementales que pertenecen, al menos, a uno de los
sucesos.
Producto de sucesos: Sean A y B tal que A, B  , se llama producto de los sucesos A y B y se denota
A.B ó AB, al suceso formado por todos los sucesos elementales que pertenecen a ambos sucesos.
Diferencia de sucesos: Sean A y B tal que A, B  , se llama diferencia de los sucesos A y B y se
denota AB, al suceso formado por todos los sucesos elementales que pertenecen a A y no a B.
Puede comprobarse que A  B = ABc
Ejemplo: Sea el experimento que consiste en lanzar simultáneamente dos dados al aire. Consideramos
los sucesos:
A:” obtener cifras iguales en ambos dados”
B:”obtener una suma de puntos igual a cuatro”
Se tiene que
A={(1,1),(2,2),(3,3),(4,4),(5,5),(6,6)}
B={(1,3),(2,2),(3,1)}
Por lo que el suceso suma es el suceso consistente en obtener cifras iguales en ambos dados o bien que
sumen cuatro, es decir:
AB ={(1,1),(2,2),(3,3),(4,4),(5,5),(6,6),(1,3),(3,1)}
Mientras que el suceso producto es el suceso que se da al obtener a la vez cifras iguales y que sumen
cuatro, es decir: AB={(2,2)}

2
 Estadística y Análisis de Datos

SUCESOS INCOMPATIBLES
Dos sucesos A y B asociados a un mismo experimento aleatorio, son incompatibles, o mutuamente
excluyentes, cuando no se pueden presentar a la vez, lo que es equivalente a que el suceso intersección
sea el suceso imposible, es decir,
A y B son incompatibles  AB= 

SUCESOS CONTRARIOS. SUCESOS OPUESTOS.

Siendo A un suceso asociado a un cierto experimento aleatorio , se llama suceso contrario de A y se
indica por AC, al suceso que se verifica cuando no ocurre A.
El suceso AC, contrario del suceso A, se representa dentro del conjunto , mediante el complementario
del conjunto que representa al conjunto A. Gráficamente.

Ac
De la definición de suceso contrario, se deducen de forma inmediata las siguientes propiedades:
1. C = 
2. C = 
3. A AC = 
4. A AC = 
5. AB  BC  AC esta última propiedad, siempre y cuando ambos sucesos corresponden al
mismo experimento aleatorio

-ÁLGEBRA DE SUCESOS
En ciertas ocasiones, cuando se considera un experimento aleatorio, puede suceder que no interese
calcular la probabilidad de cualquier subconjunto del espacio muestral sino que sólo sea de interés
una determinada familia de sucesos. La finalidad de la definición axiomática de la probabilidad es
formalizar la asignación de probabilidades a los sucesos de interés, de modo que esta asignación de
probabilidades sea consistente con las operaciones lógicas de sucesos. Para ello es necesario dotar de
una estructura algebraica adecuada a la familia de sucesos a los que se va a aplicar la probabilidad.
El conjunto de todos los sucesos asociados a un experimento aleatorio  constituye una familia de
conjuntos con una estructura particular denominada -álgebra.
Definición: Sea S un conjunto. Sea A una familia de subconjuntos de S, es decir, A  P(S) (P(S) es el
conjunto de partes de S). Se dice que A es una -álgebra sobre S si satisface:
1. SA
2. Si AA entonces AA
3. Si A1, A2, … es una sucesión de elementos de A entonces A = ⋃∞ i=1 Ai A

De acuerdo a la definición de -álgebra podemos asegurar que el espacio muestral es un suceso, el

complemento de cualquier suceso es un suceso y la unión arbitraria de sucesos es un suceso. Las -
álgebras cumplen ciertas propiedades que permiten asegurar que son también sucesos la unión finita
de sucesos, la intersección arbitraria y finita de sucesos, la diferencia de sucesos, entre otros.
Sea S un espacio muestral asociado a un experimento. La Probabilidad es una función
P: A → [0, 1] que cuantifica la verosimilitud o posibilidad de ocurrencia de un evento aleatorio
perteneciente a A.

3
 Estadística y Análisis de Datos

Definición axiomática de probabilidad

Sea  un experimento aleatorio y S el espacio muestral asociado. Sea A una -álgebra sobre S. Una
probabilidad (o medida de probabilidad) es una función P: A → [0, 1] que a cada suceso AA le hace
corresponder un número real P(A) entre 0 y 1 tal que:
1. P(S) = 1
2. Sea A1, A2, … una sucesión de elementos de A tales que Ai  Aj =  si i  j. Entonces
P(⋃∞ ∞
i=1 Ai ) = ∑i=1 P(Ai )

Definición: Un espacio de probabilidad es una terna (S, A, P) donde S es un conjunto, A una -

álgebra sobre S y P: A → [0, 1] es una probabilidad

PROPIEDADES:
Sea (S,A, P) un espacio de probabilidad. Para cualquier evento A  A
 P(A) = 1 − P(A′)
 P(Ø) = 0
 Si A, B son eventos mutuamente excluyentes (A ∩ B = Ø) ⇒ P(A ∩ B) = 0
 Si A  A y B  A y además A ⊆ B ⇒ P(A) ≤ P(B)
 Para cualquier par de eventos A, B en A: P(A ∩ B′) = P(A) − P(A ∩ B)
 Para cualquier par de eventos A, B en A: P(A ∪ B) = P(A) + P(B) − P(A ∩ B)
Una función de probabilidad debe satisfacer esos axiomas, pero ¿cómo se asignan probabilidades a
eventos?
En este curso sólo introduciremos dos maneras:
Método clásico (sólo para espacios muestrales discretos finitos)
Método estadístico o frecuentista.

MÉTODO CLÁSICO:
Supondremos: S discreto y finito, E1, . . . , En sus eventos simples.
Se asignan probabilidades a los Ei, i = 1, . . . , n, de manera tal que P(Ei ) ≥ 0, ∀i , i = 1, . . . , n y
∑ni=1 P(Ei ) = 1.
Si A es un evento compuesto, A es la unión (disjunta) de algunos de esos Ei , ⇒ P(A) = ∑Ei⊂A P(Ei )
Si pueden considerarse los Ei , i = 1, . . . , n equiprobables ⇒ se asigna P(Ei ) = 1/n y de esta manera se
satisfacen los axiomas.
Si A es un evento compuesto, y n(A): número de resultados favorables al evento A, ⇒
1 n(A)
P(A) = ∑ P(Ei ) = ∑ =
n n
Ei ⊂A Ei ⊂A

donde n = #S es el número de resultados posibles, n(A) el número de resultados favorables a A.

Ejemplo
Se arroja al aire dos monedas equilibradas y se observa la cara superior una vez que caen al suelo.
¿Cuál es la probabilidad de que salga una sola cara?
Para poder aplicar la regla de Laplace debemos ser cuidadosos en la definición del espacio muestral de
modo que los posibles resultados sean equiprobables. Así, si definiéramos:
S = {CC, CS, SS}

4
 Estadística y Análisis de Datos

los resultados no serían igualmente probables, pues el conjunto CS incluye los resultados CS y SC y, por
lo tanto, tiene doble probabilidad de ocurrencia que los otros dos. Luego, una definición adecuada de
es
S = {CC, CS, SC, SS} n = 4
Definimos el suceso A como
A = {se obtienen una sola cara} = {CS; SC} n(A) = 2
Luego,
n(A) 2 1
P(A) = = =
n 4 2

MÉTODO ESTADÍSTICO O FRECUENTISTA

Si un experimento se repite en forma independiente e idéntica una cantidad considerable de n veces y
se observa la frecuencia relativa de la ocurrencia del evento de interés A, definida por
n(A)
r (A) =
n

con n(A) = número de veces que se observó A en las n repeticiones, se observará que r (A) tiende a
estabilizarse en un número a medida que n crece. Ese número se define como P(A).
P(A) = lim r(A)
n→∞

Suponga que se realizan n repeticiones de un cierto experimento aleatorio y sea A un evento

cualquiera. Denotemos por n(A) el número de ocurrencias del evento A, en las n realizaciones del
experimento. Se define entonces la probabilidad frecuentista de A como indica el siguiente límite:
n(A)
P(A) = lim
n→∞n
En este caso, debemos hacer notar que no es humanamente posible llevar a cabo una infinidad de
veces el experimento aleatorio, de modo que en la práctica no es posible encontrar mediante este
mecanismo la probabilidad de un evento cualquiera. Esta limitación hace que esta definición de
probabilidad no sea enteramente formal, pero tiene algunas ventajas. Veamos un ejemplo concreto.
Consideremos nuevamente el experimento aleatorio de lanzar una moneda equilibrada y registrar la
ocurrencia del evento A definido como el conjunto {sale cara}. Después de lanzar la moneda 20 veces
se obtuvieron los siguientes resultados:
Nº Resultado n(A)/n Nº Resultado n(A)/n
1 S 0/1 11 C 7/11
2 C ½ 12 S 7/12
3 C 2/3 13 S 7/13
4 S 2/4 14 C 8/14
5 C 3/5 15 S 8/15
6 C 4/6 16 S 8/16
7 S 4/7 17 S 8/17
8 C 5/8 18 S 8/18
9 C 6/9 19 C 9/19
10 S 6/10 20 C 10/20
En la gráfica de la Figura 1 se muestra el singular comportamiento de este cociente a lo largo del
tiempo, al principio se pueden presentar algunas oscilaciones pero eventualmente el cociente se
estabiliza en un cierto número. Realizando un mayor número de observaciones del experimento, no es
difícil creer que el cociente n(A)/n se estabiliza en 1/2 cuando n es grande y la moneda es equilibrada.

5
 Estadística y Análisis de Datos

El lector puede efectuar un experimento similar y corroborar esta interesante regularidad estadística
con éste o cualquier otro experimento aleatorio de su interés.

Figura 1

PROBABILIDAD CONDICIONAL E INDEPENDENCIA

Los conceptos de probabilidad condicional e independencia surgieron de manera natural en el proceso
de encontrar solución a algunos problemas provenientes de situaciones reales. A continuación
estudiaremos estos conceptos y demostraremos además dos resultados de amplia aplicación: el
teorema de probabilidad total y el teorema de Bayes.
PROBABILIDAD CONDICIONAL
En primer término introduciremos el concepto de probabilidad condicional. Se trata de dar respuesta
al siguiente problema: Sean A y B dos sucesos de un espacio muestral S, si ocurre B, ¿cuál es la
probabilidad de que ocurra A sabiendo que ocurrió B? Esta probabilidad se indica con el símbolo:
P(A/B) y se llama “probabilidad condicional del suceso A relativa a la hipótesis de que se ha
presentado el suceso B” o simplemente “probabilidad de A dado B”.
Ejemplo: Sea S={1,2,3,4,5,6} el espacio muestral correspondiente al lanzamiento de un dado y
elegimos la medida equiprobable como medida de probabilidad, es decir, suponemos que los 6
resultados son equiprobables. Sean los sucesos:
A: “ se obtiene un múltiplo de 3”, A = {3, 6}
B: “se obtiene un número par”, B = {2, 4, 6}
Entonces, P(A/B) representa la probabilidad de que el resultado obtenido sea múltiplo de tres
sabiendo que es par. Ya que estamos interesados en los resultados pares, prescindimos de los
resultados1, 3 y 5 y utilizamos en lugar de S el conjunto B = {2, 4, 6} como espacio muestral. El suceso
que nos interesa es el conjunto de un solo elemento {6}, ya que 6 es el único resultado múltiplo de 3
del nuevo espacio muestral. Si todos los resultados de B se consideran equiprobables, hay que asignar
a cada uno de ellos probabilidad 1/3, luego la probabilidad de {6} es también 1/3. Vale decir que en
este ejemplo P(A/B) = 1/3
Definición:
Sea (S, A, P) un espacio de probabilidad. Sean A, B  A, tales que P(B)> 0. La probabilidad condicional
del evento A dado el evento B, denotada por P(A/B), se define como sigue:
P(A ∩ B)
P(A⁄B) =
P(B)
Es claro que para que la definición tenga sentido se necesita suponer que P(B)>0, y por otro lado,
consideraremos que no existe definición para P(A/B) cuando P(B) = 0.
Ejemplo
Una urna contiene 10 bolillas verdes, 5 rojas y 10 azules. Se extrae una bolilla y se observa que no es
azul, ¿cuál es la probabilidad de que sea roja?
Sean A y B los sucesos

6
 Estadística y Análisis de Datos

A = {la bolilla es roja} n(A) = 5

B = {la bolilla no es azul} n(B) = 15
Se tiene que A ∩ B = A. Entonces:
5
P(A ∩ B) P(A) 25 1
P(A⁄B) = = = =
P(B) P(B) 15 3
25

PROPIEDAD: Sea (S, A, P) un espacio de probabilidad y sean A , B  A con P(B)>0. Entonces:

P(A/B) + P(A’/B) = 1.
En efecto, aplicando definición de probabilidad condicional y teniendo en cuenta que los sucesos
(AB) y (A’ B) son excluyentes, se tiene:
P(A ∩ B) P(A′ ∩ B) P(A ∩ B) + P(A′ ∩ B) P[(A ∩ B) ∪ (A′ ∩ B)] P(B)
P(A⁄B) + P(A′⁄B) = + = = = =1
P(B) P(B) P(B) P(B) P(B)

TEOREMA DEL PRODUCTO

Sea (S, A, P) un espacio de probabilidad y sean A, B  A tales que P(A) > 0 y P(B)>0:
P(A∩B)= P(A/B). P(B) o P(A∩B)= P(B/A). P(A)
Demostración:
P(A ∩ B)
P(A⁄B) = ⟹ P(A ∩ B) = P(A⁄B) ∙ P(B)
P(B)
P(A ∩ B)
P(B⁄A) = ⟹ P(A ∩ B) = P(B⁄A) ∙ P(A)
P(A)

TEOREMA DEL PRODUCTO PARA n SUCESOS

Sea (S, A, P) un espacio de probabilidad. Sean A1, A2, …, An  A . Entonces:
P(A1∩A2∩…∩An)= P(A1).P(A2/A1).P(A3/ A1∩A2)…P(An/A1∩A2∩…∩An-1)

INDEPENDENCIA DE SUCESOS
Sea (S, A, P) un espacio de probabilidad y A; B  A . En términos generales P(A/B)  P(A), es decir,
conocer la ocurrencia del suceso B modifica la probabilidad de ocurrencia del suceso A. En el caso
especial en que P(A/B) = P(A) diremos que A es independiente de B. En otras palabras, A es
independiente de B si el conocimiento de que B ha ocurrido no cambia la probabilidad de que A ocurra.
De acuerdo a la definición de probabilidad condicional, si A es independiente de B entonces
P(A ∩ B)
P(A) = ⟹ P(A ∩ B) = P(A) ∙ P(B)
P(B)
La ecuación anterior es simétrica en A y B lo que muestra que siempre que A es independiente de B, B
es independiente de A.

Definición:
Sea (S, A, P) un espacio de probabilidad. Sean A, B  A . Diremos que A y B son independientes si
P(AB) = P(A).P(B)

7
 Estadística y Análisis de Datos

Si A y B no son independientes, entonces son dependientes.

Teorema: Sea (S, A, P) un espacio de probabilidad y sean A, B  A . A y B son independientes si y solo

si:
1. P(A/B) = P(A) con P(B) > 0.
2. P(B/A) = P(B) con P(A) > 0.

PROPIEDADES DE LA INDEPENDENCIA
Sea (S, A, P) un espacio de probabilidad y sean A, B  A
1. A y S son sucesos independientes
Si A es un suceso: AS
P(AS) = P(A) = P(A) . 1 = P(A).P(S)  A y S son sucesos independientes
2. A y  son sucesos independientes
P(A) = P() = 0 = 0 . P(A) = P().P(A)  A y  son sucesos independientes
3. Si A y B son incompatibles y además P(A) > 0 y P(B) > 0  A y B no son independientes
P(AB) = P() = 0 y P(A) . P(B)  0  P(AB)  P(A) . P(B)  A y B no son independientes
4. Si A y A´ son sucesos contrarios  A y A´ no son independientes
Esto es una consecuencia inmediata de la propiedad 3) ya que A y A´ son incompatibles
5. Si AB y P(A)  0, P(B)  1  A y B no son independientes
Si AB: P(AB) = P(A)  P(A) . P(B)  A y B no son independientes
A′ y B son independientes
6. Si A y B son independientes  { A y B ′ son independientes
A′ y B ′ son independientes

INDEPENDENCIA PARA 3 SUCESOS

Sea (S, A, P) un espacio de probabilidad y sean A1, A2, A3  A con P(Ai)>0, i
P(A1 ∩ A2 ) = P(A1 ) ∙ P(A2 )
P(A1 ∩ A3 ) = P(A1 ) ∙ P(A3 )
A1, A2 y A3 son independientes 
P(A2 ∩ A3 ) = P(A2 ) ∙ P(A3 )
{P(A1 ∩ A2 ∩ A3 ) = P(A1 ) ∙ P(A2 ) ∙ P(A3 )
Las 3 primeras condiciones definen las independencia dos a dos. Es fácil ver que la cuarta condición no
es consecuencia de las otras tres.

8
 Estadística y Análisis de Datos

TEOREMA DE LA PROBABILIDAD TOTAL

Vamos a ver ahora cómo podemos calcular la probabilidad de un suceso A, que cuando se presenta, lo
hace en forma conjunta con otro Bi , donde: B1 , B2 , … , Bn son sucesos excluyentes entre sí, pero
compatibles con A. S
Bn
B1
A

...
B2

B3

Sea (S, A, P) un espacio de probabilidad. Sean B1 , B2 , … , Bn  A una partición de S, es decir:

1°) Bi  ,  i =1, 2, …, n
2°) Bi  Bj= ,  i  j
n

3°) S = ⋃ Bi
i=1

Entonces para todo A A:

n

P(A) = ∑ P(A⁄Bi ) ∙ P(Bi )

i=1

donde, las probabilidades P(A/Bi) y P(Bi) ∀ i=1,…,n, son conocidas, es decir que son datos.
Demostración:
Observamos que podemos expresar al suceso A, como la unión de n sucesos Ai :
A = A1 ∪ A2 ∪ A3 ∪ … ∪ An
donde los Ai son los subconjuntos que están marcados de distintos colores en el gráfico y cada Ai es el
resultado de intersecar cada Bi con A.
Es decir que: A1 = A ∩ B1 , A2 = A ∩ B2 , A3 = A ∩ B3 , . . . , An = A ∩ Bn
De aquí resulta que: A = (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ (A ∩ B3 ) ∪ … ∪ (A ∩ Bn )
Como cada uno de los sucesos de la unión son excluyentes y aplicando a ambos miembros
probabilidad, tendremos:
P(A) = P(A ∩ B1 ) + P(A ∩ B2 ) + P(A ∩ B3 ) + ⋯ + P(A ∩ Bn )
Aplicando el Teorema del Producto en el segundo miembro, la probabilidad de A es:
P(A) = P(A/B1 ) ∙ P(B1 ) + P(A/B2 ) ∙ P(B2 ) + P(A/B3 ) ∙ P(B3 ) + ⋯ + P(A/Bn ) ∙ P(Bn )
Que es la fórmula que permite hallar la Probabilidad Total del suceso A.
En forma genérica y expresando el segundo miembro con el signo de sumatoria ( ) será:
n

P(A) = ∑ P(A⁄Bi ) ∙ P(Bi )

i=1

9
 Estadística y Análisis de Datos

Ejemplo
Tres máquinas de cierta planta de ensamble, B1, B2 y B3, montan 30%, 45% y 25% de los
productos, respectivamente. Se sabe por experiencia que 2%, 3% y 2% de los productos
ensamblados por cada máquina, respectivamente, tienen defectos. Ahora bien, suponga que se
selecciona de forma aleatoria un producto terminado. ¿Cuál es la probabilidad de que este
defectuoso?
Consideramos los siguientes sucesos:
A: el producto esta defectuoso,
B1: el producto fue ensamblado con la maquina B1,
B2: el producto fue ensamblado con la maquina B2,
B3: el producto fue ensamblado con la maquina B3.
P(B1) = 0,3 P(B2) = 0,45 P(B3) = 0,25
P(A|B1) = 0,02 P(A|B2) = 0,03 P(A|B3) = 0,02
S

B
3
A

...
B
2

B
1

P(A) = P(A|B1)P(B1) + P(A|B2)P(B2) + P(A|B3)P(B3) = 0,006 + 0,0135 + 0,005 = 0,0245

TEOREMA DE BAYES
Sea (S, A, P) un espacio de probabilidad. Sean B1 , B2 , … , Bn  A una partición de S. Entonces para
todo AA:
P(A⁄Bk ) ∙ P(Bk )
P(Bk ⁄A) = n
∑i=1 P(A⁄Bi ) ∙ P(Bi )
para algún k{1, 2, …, n}
Demostración
Sea AA, por definición de probabilidad condicional:
P(A ∩ Bk )
P(Bk ⁄A) =
P(A)
Luego por Teorema del Producto y Teorema de la Probabilidad Total:
P(A⁄Bk ) ∙ P(Bk )
P(Bk ⁄A) =
∑ni=1 P(A⁄Bi ) ∙ P(Bi )
Siguiendo con el ejemplo anterior.
Si se elige al azar un producto y se encuentra que está defectuoso, ¿cuál es la probabilidad de que haya
sido ensamblado con la maquina B3?
Si sabemos que el producto está defectuoso, en virtud del Teorema de Bayes la probabilidad a
posteriori P(B3/A) de que el producto haya sido ensamblado por la máquina B3 viene dada por:

10
 Estadística y Análisis de Datos

P(A⁄B3) ∙ P(B3) 0,005

P(B3⁄A) = = = 0,204
P(A) 0,0245

PRUEBAS COMPUESTAS
Supongamos que tenemos una serie de experimentos aleatorios que llamamos 1, 2, …, n. A cada uno
de los experimentos le está asociado un espacio de probabilidad (S, A; P).
Se llama prueba compuesta a la realización en sucesión de las pruebas individuales 1, 2, …, n.

DEFINICIÓN: dos o más pruebas son independientes si la ocurrencia de un evento cualquiera de una
de las pruebas no se ve afectada por la ocurrencia de cualquier otro evento de las otras pruebas.

Bibliografía
 Pagano, M.; Gauvreau, K.- Fundamentos de Bioestadística – Thomson Internacional.- 2001
 Mendenhall, W. ; Wackerly D.; Scheaffer, Richard - Estadística Matemática con Aplicaciones Grupo
Editorial Iberoamericana – 1994
 Walpole, R. ; Myers, R. –Probabilidad y Estadística –Mc Graw Hill –1992.
 Canavos, G. Probabilidad y Estadística. Mc. GrawHill 1994

11