Probabilidades

Cálculo de Probabilidad
Introducción
Uno de los principales problemas de la estadística es el de proveer herramientas para

que podamos modelizar situaciones reales con cierta precisión, es decir confeccionar
modelos de la población en estudio.
Cuando se habla de población ésta puede consistir en un conjunto de personas o estar
constituida por cualquier objeto u característica, como por ejemplo, las del mercado
inmobiliario de las ciudades de Argentina, en ese caso la población estaría formada
por todos los mercados inmobiliarios (de cada una de las ciudades) y cada uno de
ellos sería una unidad de análisis. Si se recabara información del mercado inmobiliario
de cada una de las ciudades argentinas (de todas) entonces se realizaría un censo en
cambio, si se analizaran los mercados inmobiliarios de algunas ciudades se llevaría a
cabo un muestreo.
“Sólo al realizar un análisis descriptivo de toda una población, las conclusiones

extraídas serán acerca de dicha población. En otra situación, los resultados de la
estadística descriptiva no alcanzan para conocer la población en estudio, se deberá
transferir esos resultados para obtener conclusiones sobre la población.
Los métodos y procedimientos que permiten inferir los resultados muestrales a la
población en su totalidad corresponden a la denominada estadística inferencial y
ésta se fundamenta teóricamente en la teoría de la Probabilidad”1.
De ahí la necesidad de estudiar la “herramienta” que nos servirá para desarrollar la

parte de la estadística denominada Estadística Inferencial.
La teoría de la probabilidad es la herramienta conceptual necesaria para abordar

con fundamento los problemas de la estadística inferencial.
Fue en el siglo XVII donde se desarrolló el Cálculo de probabilidad como disciplina

científica, paralelamente al desarrollo de la Estadística pero en forma
1
Estadística y Probabilidad. Nociones básicas y aplicaciones, María Eugenia Ángel, p. 39
1
independiente. Se podría decir que a fines del siglo XIX se comenzó a utilizar el
concepto de azar, indeterminismo o aleatoriedad.
La obra de Laplace y de otros matemáticos como Poisson, Gauss, Galton etc.,
proveyeron al cálculo de probabilidades de recursos matemáticos que lo llevaron a
un grado de perfeccionamiento que lo ha hecho apto para las aplicaciones a
diversos campos de la ciencia y muy especialmente a la estadística.
Como soporte de este tema sugerimos complementar los apuntes con el libro
“Estadística y Probabilidad. Nociones básicas y aplicaciones” de María Eugenia Ángel
que pueden encontrar en http://www.apyen.com.ar/index2.htm (bibliografía
recomendada) desde la página 39 a la 61. Su lectura les servirá para comprender más
los temas que trataremos ésta y las próximas unidades.
 ¿Qué es el azar o la incertidumbre?

Cuando se intenta dar ejemplos que involucre al azar pueden considerarse fenómenos
como los siguientes:
El pronóstico del tiempo. ¿Lloverá hoy?

El resultado de los partidos de fútbol. ¿Quién ganará el clásico del domingo?
Los accidentes de tránsito. ¿el próximo fin de semana largo habrá muchos accidentes
de tránsito?
¿Me dejarán salir más temprano del trabajo el viernes?
Acerca de estas preguntas pensemos si: “podemos asegurar una respuesta única y
absolutamente cierta para cada pregunta?”
Dado que no tenemos suficiente información para llegar a la respuesta correcta, estas
situaciones se dice que estan regidas por las leyes del azar.
Experimentos o fenómenos aleatorios
Al trabajar con probabilidades nos enfocamos en fenómenos o experimentos

denominados no determinísticos o aleatorios, donde no hay un resultado
predeterminado, aunque sí se puede dar un conjunto de posibles resultados con una
probabilidad asociada a cada uno. Los ejemplos constituyen fenómenos aleatorios, por
lo que decimos que interviene el azar.
2
Definición
Cuando no podemos predecir exactamente el resultado de un experimento o
fenómeno decimos que éste es aleatorio.
Importante:
En realidad decidir aplicar un modelo determinístico o uno aleatorio depende de qué
manera se estudie la situación planteada. De hecho un mismo ejemplo podría ser
estudiado bajo uno u otro modelo.
Fenómeno en estudio:
tiempo de viaje, en moto,
a la UNLaM desde la
plaza de San Justo
Modelo Modelo aleatorio:

determinístico: diríamos que el tiempo será algún valor entre dos límites
calculamos el determinados a partir de experiencias pasadas pues la
tiempo velocidad de la moto no es constante (aunque todos los
despejando de la semáforos estén en verde y las calles no presenten
ecuación que baches) porque es imposible ir por la calle a velocidad
vincula constante y además, la medición del tiempo puede tener
velocidad, un error debido al instrumento utilizado, a su precisión y
espacio y tiempo a cómo realizamos la lectura del mismo, es decir que
de la física sería más adecuado modelizar el fenómeno en forma no
clásica: V=e/t determinística.
Experimentos simples y compuestos
Los fenómenos aleatorios pueden ser simples, como cuando realizamos una sola vez
el experimento o cuando seleccionamos un solo elemento referido a una variable de
una población (revisamos un solo asiento contable de todos los efectuados en el día),
y será compuesto cuando seleccionamos dos o más elementos, referidos a esa
variable (es el resultado de la repetición de uno simple –si revisamos tres asientos
contables de todos los efectuados en el día –) o cuando se selecciona un elemento al
azar referido a dos o más variables (tomamos una ficha de un empleado de cierta
empresa y observamos si sabe inglés y si tiene estudios secundarios completos).
Por lo anterior podemos afirmar que los modelos matemáticos conocidos hasta ahora
no sirven para explicar las situaciones donde hay aleatoriedad (azar) por eso
3
necesitamos construir los modelos estadísticos, de tipo no determinísticos, para que

sirvan de marco en la resolución de este tipo de problemas.
Espacios Muestrales
Definición
Se denomina espacio muestral asociado a un experimento aleatorio al conjunto
formado por todos los resultados posibles de dicho experimento, y lo simbolizamos
con la letra E.
Es decir que los modelos de población que construiremos son los denominados
Espacios Muestrales (es la población teórica del fenómeno en estudio).
Para un mismo experimento se pueden diseñar distintos espacios muestrales según lo

que nos interese observar, por eso hablamos de un espacio muestral y no de “el”
espacio muestral.
Ejemplos
Definiremos uno o más espacios muestrales para los siguientes fenómenos aleatorios.
1) Se toma un asiento contable con la finalidad de detectar errores.
En el experimento descrito sólo hay dos resultados posibles a saber: el asiento
contable tiene error y el asiento contable no presenta error, entonces escribimos el
espacio muestral:
E = { con error , sin error } o simplemente E = { error , no error }
Que puede representarse por medio de un diagrama de Venn.
2) Se inspeccionan dos solicitudes de crédito, recibidas en un día determinado, por

una entidad bancaria y se observa:
i) si el destino del crédito es para la adquisición de una vivienda o no.
Un espacio muestral que podríamos construir es anotando el destino del crédito
observando si el destino es o no para adquirir una vivienda. Los cuatro siguientes
resultados son todos los que se pueden obtener si se toman dos solicitudes de
crédito y se observa si cada uno de ellos es para adquirir una vivienda o no.
4
1) vivienda vivienda 2) vivienda no vivienda

3) no vivienda vivienda 4) no vivienda no vivienda
Volcamos en un conjunto todos los resultados posibles del fenómeno, es decir el

espacio muestral correspondiente:
E1 = {(vivienda, vivienda), (vivienda, no vivienda), (no vivienda, vivienda), (no vivienda,

no vivienda) }
o bien, E1 = {(v, v), (v, nov), (nov, v), (nov, nov) }
Donde: v : vivienda ; nov: no vivienda
Que puede visualizarse, además de por el diagrama de Venn, a través de un diagrama

de árbol como se muestra a continuación:
ii) el número de créditos para la adquisición de una vivienda obtenidos al seleccionar

dos solicitudes. En este caso las opciones que se nos pueden presentar es que
ninguno sea para la adquisición de vivienda, uno solo o ambos tengan como destino la
adquisición de una vivienda, en cuyo caso el espacio muestral es:
E2 = { 0, 1, 2 }
3) Otro experimento aleatorio que podríamos plantear en la inspección de los asientos

contables es: se toma un asiento contable hasta detectar uno que tenga error (se
revisan uno tras otro y se deja de seleccionar cuando se halla un asiento contable con
error).
5
Si anotamos las secuencias obtenidas, el conjunto de todos los resultados posibles del
fenómeno es:
E1 = {e, (noe, e), (noe, noe, e), (noe, noe, noe, e), (noe, noe, noe, noe, e), (noe, noe,
noe, noe, noe, e), ... }
Donde: e: error , noe: no error
Sucesos
A las muestras extraídas de los espacios muestrales denominamos sucesos o
eventos (son los subconjuntos de la poblaciones teóricas)
Definición
Se denomina suceso a todo subconjunto del espacio muestral.
Decimos que un suceso ocurre cuando el resultado del experimento aleatorio es un

elemento de dicho suceso.
Como, en general nos interesa algún o algunos resultados de todo el conjunto E

consideraremos algunos eventos de los espacios muestrales descritos.
1) Si se necesita detectar los asientos contables que tienen algún error desearíamos
conocer el conjunto de resultados que nos favorecen, entonces lo que necesitamos es
armar dicho conjunto.
Describiremos por extensión el suceso A: “se obtiene un asiento contable con error al
revisar un asiento contable”. El suceso es,
A = { error }
2) Del espacio muestral del ejemplo 2) i) representaremos el suceso B: “se obtiene por
lo menos una solicitud de crédito para la vivienda al tomar dos solicitudes de crédito”.
6
Para ver qué elementos pertenecen al suceso “B” es necesario revisar cada elemento
del espacio muestral y ver si cumple o no la condición solicitada 2.
Aclaración: Los pasos detallados en el pie de página se hacen mentalmente, se los
escribí para que ustedes vean el procedimiento.
En este caso el suceso será:
B = {(v, v), (v, nov), (nov, v)}
Donde: v : vivienda ; nov: no vivienda
3) Sea el suceso C en el espacio muestral del ejemplo 3) “se anotan las secuencias
obtenidas al inspeccionar como máximo cuatro asientos contables hasta encontrar uno
con error”, el suceso C es:
C = { e, (noe, e), (noe, noe, e),
(noe, noe , noe, e)}
Algunos sucesos especiales

Sucesos elementales: Son los subconjuntos unitarios seleccionados de un espacio
muestral.
Suceso Cierto: Es el subconjunto que coincide con el espacio muestral. Se indica así
ya que siempre ocurre.
Suceso imposible: Es el suceso que no tiene ningún elemento, es decir el conjunto
vacío. Se llama así porque nunca ocurre.
2
Tomamos el elemento (vivienda, vivienda) y observamos si en él hay por lo menos 1 vivienda (significa
como mínimo 1) esto se cumple porque en él hay dos viviendas -que cumple con “como mínimo 1
vivienda”-, entonces es un elemento del suceso B. Ahora consideremos el elemento (vivienda, no
vivienda) y procedemos de la misma forma, como también cumple con la condición pues tiene una
solicitud de crédito para la vivienda está en B, lo mismo con los otros dos puntos del espacio muestral
el (no vivienda, vivienda) también pertenece a B y el (no vivienda, no vivienda) por no cumplir la
condición (presenta 0 solicitud de crédito para la vivienda) no está en B.
7
Operaciones entre sucesos
Las operaciones entre sucesos son las operaciones del álgebra de conjuntos, del
álgebra de Boole: unión, intersección, complemento y la operación diferencia.
Unión de sucesos
Dados dos sucesos A y B asociados a un experimento aleatorio, el suceso unión de A
con B es: A  B = { xE/ x es un elemento de A o x es un elemento de B}
Ocurre el suceso unión cuando ocurre alguno de los sucesos o por lo menos uno.
Según como se relacionen A y B se puede presentar una de las siguientes situaciones:
AB = A
Intersección de sucesos
Dados dos sucesos A y B asociados a un experimento aleatorio, el suceso
intersección entre A y B es: A  B = { xE / x es elemento de A y x es elemento de B}
Ocurre el suceso intersección cuando ocurren simultáneamente ambos sucesos.
Gráficamente se visualizan los tres resultado posibles al efectuar esta operación.
Definición
Dos sucesos A y B son mutuamente excluyentes si A  B = , es decir cuando no
pueden ocurrir simultáneamente.
Complemento de un suceso
Dado un suceso A de un espacio muestral E, asociado a un experimento aleatorio, el
suceso complemento de A es el suceso: A = A´= Ac  x  E/x no pertenece a A
8
Los elementos del suceso A c son todos los elementos del espacio muestral que no
pertenecen al suceso A.
Caso particular:
Si A = E entonces el complemento del espacio muestral E es el suceso imposible
porque serían todos los elementos que no están en E.
E = Ec    = 
Diferencia entre dos sucesos

El suceso diferencia entre A y B, asociados a un experimento aleatorio, es el suceso
que ocurre cuando ocurre A y no ocurre B, es decir sólo ocurre A.
Probabilidad
Definición
La probabilidad es la parte de la Matemática que trata de construir modelos teóricos
para estudiar y medir la incertidumbre y los riesgos asociados con ella. Se identifica
con una medida de la posibilidad de ocurrir que tiene un determinado suceso.
Ver más teoría en el libro “Estadística y Probabilidad. Nociones básicas y aplicaciones”

de María Eugenia Ángel.
¿Cuál es la forma de medir la probabilidad de un determinado suceso?

Para responder,
 Veremos algunos conceptos básicos de probabilidad que nos ayudarán a
entender las referencias que haremos luego a la probabilidad cuando veamos
inferencia estadística.
9
 Estudiaremos varias reglas de probabilidad básica que se pueden usar para

evaluar la posibilidad de que ocurran diferentes fenómenos.
Las teorías de probabilidad y de estadística tienen que ver con muestras extraídas de
una población. Pero el camino que sigue el estadígrafo es el inverso al que sigue el
probabilista.
El probabilista supone que la población es conocida y puede calcular la probabilidad
de observar una muestra particular. En cambio el estadígrafo lo que conoce es la
muestra que le tocó en la selección, y con la ayuda de la probabilidad, trata de
describir la distribución de frecuencias que tendría la población que le es desconocida.
El Probabilista: razona a partir de una población conocida hacia una muestra
desconocida mientras que el estadígrafo invierte el razonamiento y a partir de una
muestra, que supone conocida, razona hacia la población desconocida.
Pero ¿qué significa probabilidad?

Probabilidad es la posibilidad de que ocurra un suceso o evento en particular.
Podría referirse a:
1- La posibilidad de escoger un as en un juego de cartas.
2- La posibilidad de que un auto, estacionado en la avenida de Mayo de Ramos Mejía,
seleccionado en forma aleatoria sea un Palio Weekend.
3- La posibilidad de que un nuevo producto de consumo en el mercado tenga éxito.
Cada uno de estos ejemplos se refiere a uno de los tres enfoques de la probabilidad.
10
Probabilidad clásica o de Laplace

Identificaremos primero las características o supuestos que se requiere para poder
utilizar esta definición de probabilidad.
Supuestos:
 Las probabilidades se calculan a priori, es decir antes de realizar el experimento
aleatorio.
 Los elementos son equiprobables, significa que cada elemento tiene la misma
posibilidad de ser seleccionado.
 Los sucesos elementales son mutuamente excluyentes (si sale uno no puede
ser seleccionado cualquiera de los demás).
 la población de donde se extrae la muestra es finita
La probabilidad de éxito del evento A se basa en el conocimiento a priori del proceso

involucrado y se la calcula haciendo el cociente entre el número de casos favorables al
suceso A y el número de casos posibles.
número de casos favorables a A
Es decir P(A) =
número de casos posibles
Con frecuencia al primer ejemplo se lo ubica en el enfoque de probabilidad clásica
porque se cumplen las características de la definición.
La probabilidad de obtener un as se puede hallar de la siguiente manera:
número de ases en el mazo 4
P(un as) = =  0, 077
total de cartas 52
Porque en este ejemplo se cumplen los supuestos de la probabilidad clásica, a saber:
1) todas las cartas tienen la misma posibilidad de salir,
2) los eventos son equiprobables, y
3) si sale una carta no puede salir ninguna otra, es decir si sale un as de diamante no
puede salir simultáneamente un as de pique o de corazones o de trébol, o cualquier
otra carta del mazo, se dice que los sucesos son mutuamente excluyentes.
La dificultad que presenta esta forma de determinar una probabilidad es que en

los espacios muestrales no finitos no se podrían calcular la probabilidad de que
ocurra un evento en particular.
11
Enfoque frecuencial
En esta perspectiva la probabilidad se calcula en base a información observada con
anterioridad, en el conocimiento que se tenga de datos pasados cuando las
condiciones en las que se realiza el experimento aleatorio se mantienen estables.
Los supuestos son:

 Las probabilidades se calculan a posteriori, es decir después de realizar el
experimento aleatorio.
 Las frecuencias relativas (fr) se estabilizan al crecer el número de observaciones
en condiciones estables.
 No es necesario que los sucesos elementales sean equiprobables ni que la
población sea finita.
Richard E. von Mises (Matemático y filósofo austríaco) propuso la siguiente definición
de probabilidad frecuencial en 1919.
La probabilidad de un suceso A es el valor límite de la frecuencia relativa.
Como la frecuencia relativa es la razón del número de casos en que el suceso A ha

aparecido sobre el número total de observaciones, la probabilidad de un suceso A se
determina con base en la proporción de veces que ocurre un resultado favorable a A
en un determinado número de observaciones, entonces:
número de veces que ocurrio A
P(A) = = fr
tamano de la muestra
En el segundo ejemplo podemos calcular el resultado de la probabilidad si contamos

con datos de las marcas y modelos de autos que se estacionaron todos los días de
cada semana durante algunos meses atrás, en esa avenida de Ramos Mejía,
calculando las frecuencias relativas de cada semana si éstas, para esa marca y
modelo determinado (Palio Weekend), tienden a valores similares al valor hacia el cual
tienden se lo toma como medida de probabilidad.
Si por ejemplo se estacionaron 5.134 Palio Weekend durante las semanas
investigadas sobre un total de 336.814 automóviles.
Se tiene:
5134
P(A) = fr  P(Palio Weekend) =  0, 015
336814
12
Probabilidad subjetiva
El tercer enfoque de probabilidad se lo conoce como enfoque de probabilidad
subjetiva. Se refiere a la posibilidad de ocurrencia de un suceso asignada por una
persona en particular. Ésta asignación puede diferir de la probabilidad subjetiva
asignada por otra persona dependiendo ello de la experiencia o conocimiento que
posea cada uno acerca de la situación como podría ser el saber que cada suceso
elemental del E no es equiprobable. Se basa normalmente en una combinación de la
experiencia, la opinión personal y el análisis de una situación particular.
Un ejemplo lo constituye la asignación de probabilidad de éxito de un cierto producto
determinada por quien lo fabricó que la que le puede otorgar el encargado de su
comercialización.
Con David Rubín (libro de Richard Levín) “las decisiones sociales y económicas,
financieras y administrativas de nivel superior se ocupan de situaciones específicas y
singulares y no de una larga serie de situaciones idénticas por lo cual, a este nivel, los
especialistas se apoyan constantemente en las probabilidades subjetivas.
El planteamiento subjetivo para asignar probabilidades fue introducido en 1926 por
Frank Ramsey en su libro El fundamento de la matemática y otros ensayos lógicos”.
El enfoque subjetivo es especialmente útil para tomar decisiones en situaciones en las

que no se puede estimar empíricamente la probabilidad de ocurrencia de uno o de
varios eventos.
Hemos adelantado que en la teoría de la probabilidad supondremos que la población

es conocida y se calculará la probabilidad de tomar varias muestras, al proceder así,
realmente estamos formulando un modelo para una situación concreta porque
desconocemos la composición real de la población objetivo.
En este tema trataremos de construir el espacio muestral para la repetición de un
experimento.
Con ese modelo, se pueden encontrar las probabilidades de sucesos asociados al
experimento siguiendo alguno de dos caminos:
1) Sumando probabilidades de los puntos muestrales del suceso de interés.
2) Usando conjuntamente la composición de sucesos y las leyes de probabilidad.
El experimento es la selección de una muestra de una población y el suceso de

interés es el resultado muestral que se observa.
13
Cuando se asigna un valor a la medida de posibilidad de un suceso este número debe

ser el mismo independientemente de quien calcula esa probabilidad (salvo en el
enfoque subjetivo donde se podrían presentar diferencias). Para que todos asignemos
el mismo valor existen reglas o axiomas que hay que tener en cuenta.
Reglas de Probabilidad
Definición axiomática
Se puede definir en forma rigurosa a la probabilidad de la siguiente manera:
Definición
Dado un espacio muestral E asociado a un experimento aleatorio, la probabilidad es
una función que a cada suceso A le asigna un número real P(A) que satisface los
siguientes axiomas.
Axioma 1 . P (A)  0 la probabilidad que asignamos a un suceso cualquiera A del E

es un número no negativo.
Axioma 2. P (E) = 1 la probabilidad del espacio muestral es igual a 1.
Axioma 3. Si A  B =  entonces P (A  B) = P(A) + P(B) la probabilidad del
suceso unión de dos sucesos A y B mutuamente excluyentes es la suma de las
probabilidades de cada uno de ellos.
Importante: Los axiomas no determinan la probabilidad sino que condicionan la forma

en que se asignan las probabilidades.
Propiedades
Las propiedades se demuestran haciendo uso de los tres axiomas.
Propiedad 1 Si un suceso A está incluido en un suceso B entonces
Si A B entonces P(A)  P(B) la probabilidad de que ocurra A es menor o igual de la

probabilidad que ocurra B.
Consecuencia La probabilidad de un suceso A es un número real
0  P(A)  1 menor o igual a 1 y mayor o igual a 0.
Propiedad 2 Para todo suceso A incluido en E, la probabilidad del

c
P( A ) = 1 – P(A) suceso complemento de A es igual a uno menos la
probabilidad de A.
14
Consecuencia La probabilidad del suceso imposible es 0.
P() = 0
Propiedad 3 Dados dos sucesos A y B de un espacio muestral E la
P(AB)=P(A)+ P(B) – P(AB) probabilidad del suceso unión de A con B es la suma

de las probabilidades de A y de B menos la
probabilidad del suceso intersección de ambos.
Propiedad 1.
Si un suceso A está incluido en un suceso B entonces la probabilidad de que ocurra A
es menor o igual de la probabilidad que ocurra B.
Simbólicamente: Si A B entonces P(A)  P(B)
Demostración: Expresamos a B como unión de dos

partes mutuamente excluyentes ( A y B–A) para aplicar
Axioma 3.
B = A  (B – A) aplicando probabilidad a ambos
miembros de la igualdad
P(B) = P[A  (B – A)]
P(B) = P(A) + P(B – A) por Axioma 3

Por Axioma 1 P(B – A)  0  P(B) = P(A) + P(B – A)  P(A) por lo tanto
P(B)  P(A) por propiedad transitiva
P(A)  P(B)
Caso particular
Cuando B = E se tiene que P(A)  1
Demostración: P(A)  P(E) por Axioma 2
P(A)  1 para todo suceso A del espacio muestral E.
Esta consecuencia es sumamente importante porque nos está diciendo que la
probabilidad de un suceso A es un número real menor o igual a 1 y como por Axioma 1
es mayor o igual a 0 se tiene:
0  P(A)  1
Propiedad 2.
Para todo suceso A incluido en E, la probabilidad del suceso complemento de A es
igual a uno menos la probabilidad de A.
15
Simbólicamente: P( Ac) = 1 – P(A)
Caso particular
Cuando A = E P() = 0
La probabilidad del suceso imposible es 0.
Demostración: P(Ec) = 1 – P(E) el complemento de E es el suceso imposible.
P() = 1 – 1 = 0 por Axioma 2
P() = 0
Propiedad 3.
Dados dos sucesos A y B de un espacio muestral E la probabilidad del suceso unión
de A con B es la suma de las probabilidades de A y de B menos la probabilidad del
suceso intersección de ambos.
En símbolo:
P(AB) = P(A) + P(B) – P(AB)
Demostración: Expresamos a AB y a B como unión de sucesos mutuamente

excluyentes ( como se observa en el diagrama) para aplicar Axioma 3.
16
Aclaración
Las propiedades demostradas se espera que ustedes las utilicen para calcular
probabilidades, no se les pide que las demuestren.
Si conocemos la medida de posibilidad de ocurrencia de cada uno de los resultados de

un suceso podemos determinar la probabilidad de que el suceso ocurra.
Determinaremos probabilidades de algunos de los ejemplos enunciados en las

páginas 7 y 8 de este documento.
Hallar la probabilidad de obtener:

a) Un asiento contable con error al revisar un asiento contable tomado al azar de
todos los asientos contables de un día en un estudio contable.
b) Por lo menos una solicitud de crédito para la vivienda al seleccionar
aleatoriamente dos solicitudes de todas las recibidas en el día por la entidad bancaria.
a) Se nos pide exactamente un asiento contable con error al revisar un solo asiento
contable, sólo lo cumple el resultado “error” y si, históricamente en ese estudio
contable, cada 70 asientos contables 5 presentan algún tipo de error la probabilidad
pedida será (aplicando la probabilidad frecuencial):
cantidad de asientos con error 5
P(error)    0, 0714
tamaño de la muestra 70
b) Por lo menos una solicitud de crédito para la vivienda al tomar dos solicitudes de
crédito.
Vimos que lo cumplen los pares: (vivienda, vivienda), (vivienda, no vivienda), (no
vivienda, vivienda); es decir de los 4 resultados del Espacio Muestral tres verifican
que se sacó como mínimo una solicitud de crédito para la vivienda y, como en general
los pedidos de créditos para la vivienda en esa entidad bancaria, es igual a los
solicitados con otros destinos, la probabilidad de ocurrencia de cada resultado del
17
espacio muestral es la misma por lo que podemos aplicar la definición clásica de

probabilidad.
P(por lo menos una solicitud para vivienda) = P(1 ó más solicitudes para vivienda)
P(por lo menos una solicitud para vivienda)  3  0,75

4
Otra manera de resolver lo pedido es aplicando la unión de sucesos mutuamente
excluyentes, escribimos:
P(por lo menos 1 viv.) =P( (viv., viv.)  (viv., no viv.)  (no viv., viv.))
aplicando Axioma 3
=P(viv., viv.)+ P(viv., no viv.)+ P(no viv., viv.)

1 1 1
P(por lo menos 1 viv.) = + + =0,75
4 4 4
Cuando los sucesos no son mutuamente excluyentes.

Problema ejemplo
En una encuesta acerca de la situación económica de Argentina realizada a 300
individuos de diferente nivel económico social se obtuvieron los siguientes resultados.
Opinión Nivel socio-económico

Bajo Medio Alto Total
Desfavorable 45 30 24 99
Indiferente 18 32 29 79
Favorable 37 38 47 122
Total 100 100 100 300
Tabla 1
Las variables en estudio son

x: “nivel socio-económico de la persona encuestada” e
y: “opinión que tiene acerca de la situación económica de Argentina”.
La tabla 1, que resume toda la información, puede transformarse en otras tablas

equivalentes donde figuren los porcentajes ó las frecuencias relativas
correspondientes a los distintos sucesos (resultados medidos).
En la tabla 2 figuran las frecuencias porcentuales y en la N° 3 las frecuencias relativas

–también denominada tabla de distribución conjunta de probabilidades–.
18
Opinión Nivel socio-económico (%)

Desfavorable 15 10 8 33
Indiferente 6 10,67 9,66 26,33
Favorable 12,33 12,66 15,67 40,67
Total 33,33 33,33 33,33 100
Tabla 2

Desfavorable 0,15 0,10 0,08 0,33
Indiferente 0,06 0,1067 0,0966 0,2633
Favorable 0,1233 0,1266 0,1567 0,4067
Total 0,3333 0,3333 0,3333 1
Tabla 3
En la tabla de distribución conjunta de probabilidades N° 4 se han coloreado las

casillas que conciernen a un tipo especial de probabilidades, las que involucran a los
totales y se ubican en los márgenes de la tabla, se denominan probabilidades
marginales o totales y corresponden a un solo suceso en particular.

Desfavorable 0,15 0,10 0,08 0,33
Indiferente 0,06 0,1067 0,0966 0,2633
Favorable 0,1233 0,1266 0,1567 0,4067
Total 0,3333 0,3333 0,3333 1
Tabla 4
Probabilidades marginales o totales

Podemos determinar las probabilidades marginales observando los sucesos
individuales, de una sola categoría de cada una de las variables analizadas como por
ejemplo los siguientes experimentos:
Se selecciona al azar un individuo,

1) ¿cuál es la probabilidad de que esa persona tenga un nivel socioeco-nómico bajo
(nivel s.e. bajo)?
19
Sea A el suceso: la persona tiene un nivel socioeconómico bajo. La probabilidad de A

es 0,3333 la extraemos del total de la columna correspondiente a ese nivel
socioeconómico, escribimos:
P(A) = P(nivel s.e. bajo) = 0,3333
2) ¿cuál es la probabilidad de que ese individuo tenga una opinión favorable acerca de
la situación económica de Argentina?
Respuesta es 0,4067 pues es el total de la fila de opinión favorable acerca de la
situación económica de Argentina-
P (opinión favorable) = 0,4067
De igual manera extraemos las probabilidades de los sucesos individuales que faltan
de la tabla de distribución de probabilidades.
3) ¿la probabilidad de que una persona elegida al azar tenga un nivel socioeconómico
medio (nivel s.e. medio)?
P(nivel s.e. medio) = 0,3333
4) ¿la probabilidad de que un individuo elegido al azar tenga un nivel socioeconómico
alto?
P(nivel s.e. alto) = 0,3333
5) ¿la probabilidad de que una persona seleccionada aleatoriamente tenga una
opinión acerca de la situación económica de Argentina indiferente?
P (opinión indiferente) = 0,2633
6) ¿la probabilidad de que una persona seleccionada aleatoriamente opine
desfavorablemente acerca de la situación económica de Argentina?
P (opinión desfavorable) = 0,33
Todos estos resultados son de sucesos cuyas probabilidades están ubicadas en los
márgenes de la tabla de allí su nombre de probabilidad total o marginal.
20
Probabilidades conjuntas o de la intersección
La probabilidad del suceso “la persona seleccionada tiene un nivel socio-económico

bajo y su opinión acerca de la situación económica es favorable” corresponde a la
probabilidad de un suceso que es la intersección de dos sucesos que no son
mutuamente excluyentes, dado que hay individuos que tienen un nivel socio-
económico bajo (suceso 1) cuya opinión acerca de la situación económica es favorable
(suceso 2), es decir que cumplen simultáneamente las dos condiciones por eso la
probabilidad solicitada es 0,1233 (en la tabla N° 5 se sombreó en verde la fila de
opinión y la columna del nivel socioeconómico de los sucesos que intervienen en la
probabilidad pedida). Lo mismo ocurre con las demás probabilidades ubicadas en el
centro de la tabla, son probabilidades de sucesos compuestos, de la intersección de
los valores de las variables cruzadas.
Opinión Nivel socio- económico

Desfavorable 0,15 0,10 0,08 0,33
Indiferente 0,06 0,1067 0,0966 0,2633
Favorable 0,1233 0,1266 0,1567 0,4067
Total 0,3333 0,3333 0,3333 1
Tabla 5
7) Expresamos simbólicamente la probabilidad calculada:

P(nivel s.e. bajo y op. favorable) = P({nivel s.e. bajo} {op. favorable}) = 0,1233
(valor ubicado en la intersección de la columna y fila resaltadas en verde).
Para calcular las restantes probabilidades conjuntas o de la intersección utilizamos los

casilleros del centro de la tabla 5, interceptando fila y columna correspondientes (en
tabla 6 están sombreados en amarillo).
8) ¿cuál es la probabilidad de que un individuo elegido al azar tenga un nivel
socioeconómico bajo y su opinión acerca de la situación económica de Argentina sea
desfavorable?
P(nivel socioeconómico bajo y opinión desfavorable) = 0,15
21
P(nivel s.e. bajo y op. desfavorable) = P({nivel s.e. bajo}  {op. desfavorable})
P(nivel s.e. bajo y op. desfavorable) = 0,15
9) P(nivel s.e. bajo y opinión indiferente) = 0,06

P(nivel s.e. bajo y op. indiferente) = P({nivel s.e. bajo} {op. indiferente}) = 0,06
10) P(nivel s.e. medio y opinión desfavorable) = 0,10
11) P(nivel s.e. medio y opinión indiferente) = 0,1067
12) P(nivel s.e. medio y opinión favorable) = 0,1266
13) P(nivel s.e. alto y opinión desfavorable) = 0,008
14) P(nivel s.e. alto y opinión indiferente) = 0,0966
15) P(nivel s.e. alto y opinión favorable) = 0,1567
Opinión Nivel socio económico

Desfavorable 0,15 0,10 0,08 0,33
Indiferente 0,06 0,106666 0,0966 0,2633
Favorable 0,123333 0,126666 0,15666 0,4067
Total 0,3333.. 0,3333.. 0,3333.. 1
Tabla 6
Probabilidades condicionales
Si lo que nos solicitan es calcular la probabilidad de seleccionar una persona, en forma

aleatoria, que tenga una opinión favorable acerca de la situación económica de
Argentina si se conoce que su nivel socioeconómico es medio, estamos cambiando el
espacio muestral porque se refiere solamente a los 100 encuestados (el 33,33%) que
son de ese nivel socioeconómico, es decir que se restringe el espacio muestral, ya no
estamos en el espacio muestral de las 300 personas.
Si observamos en la tabla 1 de éstos 38 sólo tuvieron una opinión favorable acerca de

la situación económica de Argentina, por lo cual la probabilidad que nos piden que
calculemos se expresa de la siguiente manera:
P(opinión favorable/ nivel s.e. medio) = 38 / 100 = 0,38
valores extraídos de la 1º tabla
P(opinión favorable/ nivel s.e. medio) se lee:
probabilidad de que la persona seleccionada tenga una opinión favorable acerca de la
situación económica de Argentina si se sabe que tiene un nivel socioeconómico medio.
22
Si se cuenta con la tabla 4 (la tabla de distribución de probabilidades) el cálculo

resultaría del cociente entre las probabilidades que figuran en los casilleros
correspondientes a la intersección de las dos categorías y el total del nivel
socioeconómico medio:
P(opinión favorable/ nivel s.e. medio) = 0,126666 / 0,3333= 0,38
Es decir llegamos al mismo resultado, resultado que representa la proporción de la
intersección de ambos sucesos en relación al que se sabe ocurrió, en este caso que la
persona es de nivel socioeconómico medio como podemos observar en el diagrama
de Venn es el sector doblemente rayado con respecto al suceso “la persona es del
nivel s.e. medio”.
En cambio, si nos dicen que fue seleccionada una persona con opinión acerca de la
situación económica de Argentina favorable y se desea conocer la probabilidad de que
ella sea de nivel socioeconómico medio, estaremos restringiendo el espacio muestral
al grupo de personas que tienen opinión favorable acerca de la situación económica
de Argentina, que son 122 y de éstas 38 tienen un nivel socioeconómico medio, por lo
cual la probabilidad que nos piden es.
P(nivel s.e. medio/ opinión favorable) = 38 / 122 = 0,3115
O bien : 0,126666 / 0,4067 = 0,3852
Resultado que representa la proporción de la intersección de ambos sucesos en

relación a la opinión favorable acerca de la situación económica de Argentina de la
persona seleccionada. En el gráfico es el sector doblemente rayado con respecto al
suceso “la opinión acerca de la situación económica de Argentina es favorable”.
Se puede expresar genéricamente ambas probabilidades de la siguiente manera:
23
P(A  B)
P(A/B) = siempre que P(B)  0
P(B)
Se lee: la probabilidad del suceso A dado que ocurrió el suceso B es el cociente entre
las probabilidades de los sucesos intersección de ambos con el suceso que se sabe
ya ocurrió.
La barra significa condición, lo que está a su derecha es el suceso que se tiene
información de que ya ocurrió.
Probabilidad de la unión
1) de sucesos mutuamente excluyentes
Si se selecciona al azar un individuo, ¿cuál es la probabilidad de que ese individuo
tenga un nivel socioeconómico bajo o medio?
Aquí nos dicen uno u otro entonces el suceso es la unión de ambos, en este caso los
sucesos son mutuamente excluyentes porque un individuo está comprendido en uno y
sólo un nivel socioeconómico.
P(nivel s.e. bajo o medio)=P(nivel s.e. bajo  nivel s.e.medio) = Axioma 3
P(nivel s.e. bajo) + P (nivel s.e.medio) = 0,3333 + 0,3333 = 0,6667
2) de sucesos no mutuamente excluyentes

Calcular la probabilidad de que un individuo elegido al azar posea un nivel
socioeconómico bajo o haya tenido una opinión desfavorable?
P(nivel socioeconómico bajo o opinión desfavorable) =
P(nivel s.e..bajo o op.desf.) = P(nivel s.e. bajo   op.desf ) = propiedad 3
= P(n.s.e.b.) + P(op.des.) – P(n.s.e.b. y op. desf.) =
= 0,3333 + 0,3333 – 0,15 = 0,5167
Usamos la fórmula que corresponde para calcular la probabilidad de la unión de
sucesos cuando no son mutuamente excluyentes3.
Probabilidades conjuntas de sucesos compuestos

por repetición de uno simple
1) Sucesos dependientes
Problema ejemplo: Un grupo de profesionales está compuesto por 10 médicos, 6
licenciados en Administración, 2 arquitectos, 3 ingenieros y 4 peritos mercantiles.
3
P( A  B) = P(A) + P(B) – P(A ∩ B)
24
Si se sortean aleatoriamente dos profesionales, para formar un equipo de trabajo,

calcular la probabilidad de que resulte seleccionado un Lic. en Administración
sabiendo que en el primer lugar fue elegido un médico (probabilidad condicional,
equivalente a las calculadas a partir de la tabla conjunta, ahí el suceso era compuesto
por tratarse de una población bivariada).
Seguramente, utilizando el sentido común, escribiremos para calcular la probabilidad
de que el segundo profesional seleccionado resulte ser un lic. en Administración dado
que el primero es un médico:
P(Lic.Adm./ médico) = 6/24 y leemos, probabilidad de seleccionar un Lic.Adm.

sabiendo (dado que, si) ya fue seleccionado un médico.
¿Por qué sobre 24?
Cuando se seleccionan dos personas para armar un equipo de trabajo no podemos
elegir dos veces a un mismo individuo pues tendríamos solo una persona
seleccionada y se buscan dos profesionales así que si ya salió elegido un médico en el
grupo queda un profesional menos y el lic. en administración surgiría del grupo de 24
personas restantes (así ocurre en todas las opciones de la 2º selección).
Ubicamos, en un diagrama de árbol la situación planteada, en el extremo de la
segunda rama del mismo se posiciona la probabilidad solicitada.
Diagrama de árbol
méd. 9/24
L.Adm. 6/24
méd. Arqui. 2/24 Como se seleccionó un
10/25 Ing. 3/24
profesional quedan 24 y de
P.M. 4/24
ellos todos los licenciados
porque el seleccionado en
méd. 10/24 primer lugar fue médico.
L.Adm. 5/24
L.Adm. Arqui. 2/24
6/25 Ing. 3/24
P.M. 4/24
méd. 10/24
L.Adm. 6/24
Arqui. Arqui. 1/24
2/25 Ing. 3/24
P.M. 4/24
méd. 10/24
L.Adm. 6/24
Como se seleccionó un
Ing. Arqui. 2/24
3/25 Ing. 2/24 profesional quedan 24
P.M. 4/24 y de ellos 2 ingenieros
porque el seleccionado
méd. 10/24 en primer lugar fue
L. Adm 6/24 ingeniero.
P.M. Arqui. 2/24
4/25 Ing. 3/24
P.M. 3/24
25
Lo que calculamos es la probabilidad de que en el segundo lugar salga seleccionado

un licenciado en Administración conociendo que antes había sido elegido un médico.
Y ¿qué pasaría si nos solicitan calcular las probabilidades conjuntas o de la

intersección?
¿Cómo calculamos P(Lic.Adm.∩ médico) cuando no contamos con una tabla de
distribución conjunta de probabilidades?
Simplemente, de la fórmula de la probabilidad condicional despejamos la probabilidad
de la intersección.
P(A  B)
P(A/B) = siempre que P(B)  0 
P(B)
P(A  B)= P(A/B) .P(B)
Reemplazando a A y a B por los sucesos de nuestro problema planteado tenemos:
P( lic.Adm.  médico )
P(lic.Adm./médico)= siempre que P(médico)  0
P(médico)
En este caso lo que es dato es P(Lic.Adm./ médico) porque se calcula por conteo (en
el árbol) y la P(médico).
Entonces, despejando en la fórmula y reemplazando valores:
P( lic.Adm.  médico )  P(lic.Adm./médico).P(médico)

6 10
P( lic.Adm.  médico )  .  0,10
24 25
Es decir que la probabilidad de seleccionar dos profesionales y que resulte que el

primero sea médico y el segundo un Lic.Adm. es:
P(lic.Adm.  médico)  0,10
A continuación sintetizamos la probabilidad condicional y la probabilidad de la
intersección de do sucesos dependientes:
La probabilidad condicional de A dado B (si P(B) ≠ 0) es:

P( A  B)
P( A / B) 
P( B)
La probabilidad condicional de B dado A (si P(A) ≠ 0) es:
P( A  B)
P( B / A) 
26 P( A)
Y la probabilidad de la intersección de dos sucesos dependientes se puede

expresar, entonces, indistintamente de las siguientes dos maneras.
P(A ∩ B) = P(A / B) . P(B) o bien P(A ∩ B) = P(B / A) . P(A)
recordando que A ∩ B = B ∩ A (las dos intersecciones indican lo mismo)
2) Sucesos independientes
Cuando los sucesos son independientes se tiene que la probabilidad condicional es
directamente la probabilidad del suceso que nos piden calcular sin importar que
ocurrió antes:
P(A /B) es P(A)
Es decir que la probabilidad condicional es igual a la marginal.
Entonces cuando los sucesos son independientes la probabilidad condicional es igual

a la marginal y podemos escribir:
P(A / B) = P(A) y P(B / A) = P(B)
Es decir que la probabilidad de un suceso no depende de si ya ocurrió o no el otro.

Y la fórmula de la intersección resulta.
P(A ∩ B) = P(A) . P(B) reemplazando P(A / B) por P(A)
Síntesis
La probabilidad de la intersección la calculamos como producto de probabilidades, en

el caso de sucesos dependientes será el producto de la condicional por la total del
suceso que se sabe ocurrió y en la independencia por el producto de las
probabilidades marginales de cada suceso.
Sucesos dependientes P(A ∩ B) = P(A/B) . P(B)

Sucesos independientes P(A ∩ B) = P(A) . P(B)
Un ejemplo de experimentos compuestos por repetición con resultados independientes

consiste en realizar la selección con reposición o sustitución. En el caso de los dos
27
profesionales, primero se selecciona una persona y se observa cuál es la profesión de

ésta, se la vuelve a colocar en la lista y después se realiza la 2º selección, el resultado
es que el que ya fue seleccionado puede volver a ser elegido.
Es decir que otra es la situación, no es lo mismo que realizamos anteriormente, las

probabilidades de los extremos de cada rama del árbol cambian quedando el diagrama
de árbol como el siguiente:
Como se seleccionó un profesional y

méd. 10/25 se lo repuso, en el grupo siguen
L.Adm. 6/24 habiendo 25 y entre ellos están
méd. Arqui. 2/25 todos los médicos
10/25 Ing. 3/25
P.M. 4/25
Diagrama de árbol
méd. 10/25
L.Adm 6/25
L Adm. Arqui. 2/25
6/25 Ing. 3/25
P.M. 4/25
méd. 10/25
L.Adm 6/25
Arqui. Arqui. 2/25
2/25 Ing. 3/25
P.M. 4/25
méd. 10/25
L.Adm 6/25
Ing. Arqui. 2/25
3/25 Ing. 3/25
P.M. 4/25
méd. 10/25
P.M. L.Adm 6/25
4/25 Arqui. 2/25
Ing. 3/25
P.M. 4/25
Determinemos por ejemplo, la probabilidad de que ambas personas sean de la misma

profesión:
P(ambas sean de la misma profesión) = P(ambas misma profesión) =
P(méd.,méd.)+P(Lic.Adm., Lic.Adm.)+P(arq.,arq.)+P(ing,ing)+P(P.M,P.M) =
= 10/25 . 10/25 + 6/25 . 6/25 + 2/25 . 2/25 + 3/25 . 3/25 + 4/25 . 4/25 =
= 0,16 + 0,0576 + 0,0064 + 0,0144 + 0,0256 = 0,264
Teorema de la Probabilidad Total

Para el tratamiento de esta propiedad y el teorema de Bayes necesitamos recordar lo
que es una partición de un conjunto.
Analizaremos la partición de un conjunto y la probabilidad total de un suceso que es la

unión de otros sucesos mutuamente excluyentes, aplicando lo visto en los distintos
28
tipos de probabilidades y utilizando un ejemplo del libro de la profesora Ángel, Ma.

Eugenia.
Situación planteada:
Se necesita seleccionar un alumno cualquiera de 5to año para representar al colegio
en un acto escolar, ¿cuál es la probabilidad de que el alumno seleccionado sea varón?
Los datos son:

 en el colegio hay cuatro divisiones de quinto año, 5° A con 30 alumnos, 5° B con
25, 5° C con 35 y 5° D con 27 alumnos.
 en la división A hay 10 varones, en la B hay 11 varones, en la C hay 20 y en la D
hay 12 varones.
Resolución:
Como el alumno puede pertenecer a cualquiera de los cuatro quintos, la probabilidad
de que sea varón P(varón) = P(V), es:
P (V y pertenece a 5ºA) o (V y pertenece a 5ºB) o (V y pertenece a 5ºC) o (V y

pertenece a 5ºD)
Es decir: P(V) = P(V  5ºA)  (V  5ºB)  (V  5ºC)  (V  5ºD)
Los sucesos son mutuamente excluyentes puesto que un alumno no puede estar
cursando simultáneamente en dos divisiones distintas de 5º año, por ejemplo en el A y
en el B, entonces por Axioma 3 escribimos:
P(V) = P(V  5ºA) + P(V  5ºB) + P(V  5ºC) + P(V  5ºD)4
Como la probabilidad de varón va a depender del curso al que pertenece el alumno,

aplicando a la probabilidad de la intersección la definición correspondiente 5 y
reemplazando en la fórmula, tendremos:
P(V) = P(V  5ºA) + P(V  5ºB) + P(V  5ºC) + P(V  5ºD)

P(V) =P(V/5ºA).P(5ºA)+P(V/5ºB).P(5ºB)+P(V/5ºC).P(5ºC)+P(V/5ºD).P(5ºD)
4
Por Axioma 3.
5
P(V  5ºA) = P(V/5ºA) . P(5ºA)
29
Con los datos del problema construimos las tablas conjuntas de los datos y la conjunta
de probabilidades:
División de 5º
División de 5º
Sexo A B C D Total
Sexo A B C D Total V 10 11 20 12 53
V 10 11 20 12 53 117 117 117 117 117
M 20 14 15 15 64 M 20 14 15 15 64
Total 30 25 35 27 117 117 117 117 117 117
Total 30 25 35 27 1
117 117 117 117
De la tabla de distribución de probabilidades conjunta extraemos las siguientes

probabilidades:
10
P(5ºA) = 30 P(V/ 5ºA) = 117 = 10
117 30 30
117
11
P(5ºB) = 25 P(V/ 5ºB) = 117 = 11
117 25 25
117
20
P(5ºC) = 35 P(V/ 5ºC) = 117 = 20
117 35 35
117
27 12
P(5ºD) = P(V/ 5ºD) = 117 = 12
117 27 27
117
Reemplazando en P(V) cada uno de los valores nos queda:

P(V)  P(V/5ºA).P(5ºA)+P(V/5ºB).P(5ºB)+P(V/5ºC).P(5ºC)+P(V/5ºD).P(5ºD)
P(V) = 10 . 30 + 11 . 25 + 20 . 35 + 12 . 27
30 117 25 117 35 117 27 117
P(V) = 53 P(V) = 0,4530

117
Notemos que en la tabla aparece directamente cada una de las intersecciones y el
ejercicio se podría haber resuelto de la siguiente manera:
P(V) = P(V A) + P(V  B) + P(V  C) + P(V  D) =
P(V) = 10 + 11 + 20 + 12
117 117 117 117
30
P(V) = 53
117
P(V) = 0,4530
Lo que hemos calculado es la probabilidad total de varón

Partición de un espacio muestral
Si al espacio muestral lo subdividimos en partes mutuamente excluyentes y no vacías

tal que la unión de todos los subconjuntos den como resultado el espacio muestral
decimos que hemos efectuado una partición del mismo.
Definición
Se denomina partición de un espacio muestral E a un conjunto de sucesos Ai; con
1 i  n
Que verifican:
I. P(Ai ) > 0 sucesos de probabilidad no nula
II. Ai  A j   si i  j sucesos mutuamente excluyentes
III. A1  A2  A3  ...  An  E la unión de todos los Ai es el E
Observación: Las distintas divisiones de 5° año constituyen una partición del conjunto
de todos los alumnos de 5° año, pues un alumno está cursando en una y en solo una
de ellas, es decir son mutuamente excluyentes, y la unión de todos los 5 tos da el
espacio muestral (conjunto de todos los alumnos de 5° año).
Teorema de la probabilidad total

Analicemos otro problema ejemplo:
El 30% de los créditos de un banco es para vivienda, el 45% para industrias y el 25%
para consumo diverso. Resultan morosos el 24% de los créditos para vivienda, el 18%
de los créditos para industrias y el 60% de los créditos para consumo. Calcular la
probabilidad de que se pague a término un crédito elegido al azar.
En los problemas de probabilidad y en especial en los de probabilidad condicionada,
resulta interesante y práctico organizar la información en una tabla de contingencia o
en un diagrama de árbol.
Las tablas de contingencia y los diagramas de árbol están íntimamente relacionados,
dado uno de ellos podemos construir el otro. Unas veces, los datos del problema
31
permiten construir fácilmente uno de ellos y a partir de él podemos construir el otro,

que nos ayudará en la resolución del problema.
Confeccionemos primero el diagrama árbol y luego una tabla de doble entrada con las
frecuencias relativas, que resuma toda la información del problema (distribución de
probabilidades conjuntas).
A continuación armo el Diagrama árbol con las probabilidades correspondientes a

cada punto y a cada rama del mismo.
Tipo Pago
Destino del crédito a término moroso total
Vivienda 0,228 0,072 0,30
Industria 0,369 0,081 0,45
Consumo diverso 0,100 0,150 0,25
total 0,697 0,303 1,00
Nuestro problema es calcular la probabilidad de que se pague a término un crédito

elegido al azar, de la tabla vemos que su resultado es 0,697 que proviene de sumar
los sucesos de la columna “a término” que son las intersecciones de dicha columna
con cada una de las filas.
P(término) = P(viv  tér)  P(ind  tér)  P(condiv  tér) 

P(término) = 0,228 + 0,369 + 0,100 = 0,697
32
que es justamente la probabilidad total de pago a término, independientemente del

tipo de crédito otorgado. Los tipos de crédito particionan al E y el suceso observado es
el pago a término.
Generalizando a una partición de n subconjuntos A i y un suceso cualquiera B (en
nuestro ejemplo el suceso B era pago a término) del que se conocen las
probabilidades condicionales P(B/Ai), la probabilidad total del suceso B es:
P(B) = P(A1). P(B/A1) + P(A2) . P(B/A2) + … P(An) . P(B/An)

Fórmula que sintetiza el Teorema de la probabilidad total
Teorema de Bayes
Este teorema se refiere a las probabilidades condicionales de las causas conocidos los
efectos. En el ejemplo, las causas estarían dadas por el 1º suceso (destino del crédito)
y los efectos por el 2º suceso (tipo de pago).
Entonces, en el espacio muestral del ejemplo, si conocemos la forma de pago de un

cliente del banco nos pueden pedir hallar la probabilidad de cuál había sido el destino
del crédito. Por ejemplo, sabiendo que el crédito fue pagado a término ¿cuál es la
probabilidad que haya sido otorgado para la adquisición de una vivienda?
P(vivienda/ término) = ¿?
Utilizando la fórmula de probabilidad condicional nos queda:
P(viv  tér)
P(viv/ tér) =
P(término)
donde el denominador es la probabilidad total de pago a término recién calculada,

entonces, reemplazando la probabilidad total de pago a término:
P(viv  tér) P(tér/viv).P(viv)

P(viv/tér) = =
P(término) P(tér/viv).P(viv)+P(tér/ind).P(ind)+P(tér/condiv).P(condiv)
Rta: La probabilidad que el préstamo haya sido otorgado para la adquisición de una
vivienda sabiendo que fue pagado a término es 0,3271.
33

Probabilidades

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Probabilidades

Cargado por

Copyright:

Formatos disponibles

Cálculo de Probabilidad

Uno de los principales problemas de la estadística es el de proveer herramientas para

“Sólo al realizar un análisis descriptivo de toda una población, las conclusiones

De ahí la necesidad de estudiar la “herramienta” que nos servirá para desarrollar la

La teoría de la probabilidad es la herramienta conceptual necesaria para abordar

Fue en el siglo XVII donde se desarrolló el Cálculo de probabilidad como disciplina

 ¿Qué es el azar o la incertidumbre?

El pronóstico del tiempo. ¿Lloverá hoy?

Experimentos o fenómenos aleatorios

Al trabajar con probabilidades nos enfocamos en fenómenos o experimentos

Modelo Modelo aleatorio:

Experimentos simples y compuestos

necesitamos construir los modelos estadísticos, de tipo no determinísticos, para que

Para un mismo experimento se pueden diseñar distintos espacios muestrales según lo

2) Se inspeccionan dos solicitudes de crédito, recibidas en un día determinado, por

1) vivienda vivienda 2) vivienda no vivienda

Volcamos en un conjunto todos los resultados posibles del fenómeno, es decir el

E1 = {(vivienda, vivienda), (vivienda, no vivienda), (no vivienda, vivienda), (no vivienda,

Donde: v : vivienda ; nov: no vivienda

Que puede visualizarse, además de por el diagrama de Venn, a través de un diagrama

ii) el número de créditos para la adquisición de una vivienda obtenidos al seleccionar

3) Otro experimento aleatorio que podríamos plantear en la inspección de los asientos

Donde: e: error , noe: no error

Decimos que un suceso ocurre cuando el resultado del experimento aleatorio es un

Como, en general nos interesa algún o algunos resultados de todo el conjunto E

En este caso el suceso será:

B = {(v, v), (v, nov), (nov, v)}

Donde: v : vivienda ; nov: no vivienda

Algunos sucesos especiales

Operaciones entre sucesos

Diferencia entre dos sucesos

Ver más teoría en el libro “Estadística y Probabilidad. Nociones básicas y aplicaciones”

¿Cuál es la forma de medir la probabilidad de un determinado suceso?

 Estudiaremos varias reglas de probabilidad básica que se pueden usar para

Pero ¿qué significa probabilidad?

Probabilidad clásica o de Laplace

La probabilidad de éxito del evento A se basa en el conocimiento a priori del proceso

La dificultad que presenta esta forma de determinar una probabilidad es que en

Los supuestos son:

Como la frecuencia relativa es la razón del número de casos en que el suceso A ha

En el segundo ejemplo podemos calcular el resultado de la probabilidad si contamos

El enfoque subjetivo es especialmente útil para tomar decisiones en situaciones en las

Hemos adelantado que en la teoría de la probabilidad supondremos que la población

El experimento es la selección de una muestra de una población y el suceso de

Cuando se asigna un valor a la medida de posibilidad de un suceso este número debe

Axioma 1 . P (A)  0 la probabilidad que asignamos a un suceso cualquiera A del E

Importante: Los axiomas no determinan la probabilidad sino que condicionan la forma

Propiedad 1 Si un suceso A está incluido en un suceso B entonces

Si A B entonces P(A)  P(B) la probabilidad de que ocurra A es menor o igual de la

0  P(A)  1 menor o igual a 1 y mayor o igual a 0.

Propiedad 2 Para todo suceso A incluido en E, la probabilidad del

Consecuencia La probabilidad del suceso imposible es 0.

Propiedad 3 Dados dos sucesos A y B de un espacio muestral E la

P(AB)=P(A)+ P(B) – P(AB) probabilidad del suceso unión de A con B es la suma

Simbólicamente: Si A B entonces P(A)  P(B)

Demostración: Expresamos a B como unión de dos

P(B) = P[A  (B – A)]

P(B) = P(A) + P(B – A) por Axioma 3

Simbólicamente: P( Ac) = 1 – P(A)

P() = 1 – 1 = 0 por Axioma 2

Demostración: Expresamos a AB y a B como unión de sucesos mutuamente

Si conocemos la medida de posibilidad de ocurrencia de cada uno de los resultados de

Determinaremos probabilidades de algunos de los ejemplos enunciados en las

Hallar la probabilidad de obtener: