Probabilidad y Estadística – Unidad I: Probabilidad

UNIDAD I: Probabilidad. Ejercicios Resueltos

Enunciados de los Ejercicios:

1. De un mazo de barajas españolas se extraen 3 cartas. Calcular la probabilidad de sacar tres cartas de
espadas sucesivamente (piense: ¿es necesario indicar que sea sucesivamente?).
2. Una fábrica cuenta con solo dos máquinas de producción de envases plásticos. Se sabe los porcentajes
de piezas para una de las máquinas es del 20%, y para la otra del 10%. Además, la primera máquina
produce un 60% de piezas.
a. ¿Cuál es el porcentaje de piezas defectuosas en la producción total?
b. ¿Cuál es el porcentaje de las piezas provenientes de la primera máquina entre las defectuosas?
3. En un equipo existen tres elementos A, B y C que luego de un cierto periodo pueden encontrarse
desgastados. La P de que esto ocurra para cada uno de ellos es 0,47; 0,45 y 0,40 respectivamente. Se
sabe además que la P de encontrar A y B desgastadas es de 0,22; la P de encontrar solamente A y B es
el 0,12; la P de encontrar B pero no C es de 0,27 y la P de encontrar solamente A es el 0,20.

Calcular:
a) La P de encontrar las tres desgastadas.

b) La P de encontrar B y C con desgaste.

c) La P de encontrar A y C con desgaste.
d) La P de encontrar A y C, pero no B.
e) La P de encontrar solamente B y C.
f) La P de encontrar C solamente.
g) La P de encontrar alguna desgastada (una o más de una, o sea, por lo menos una).
h) La P de no encontrar elementos gastados.
i) La P de encontrar sólo un elemento gastado.
j) la P de encontrar A y B sabiendo C:
4. Considere los T y L donde T: Pedro juega al tenis y L: es un día de lluvia. Sabiendo que en la ciudad el
30% de los días llueve y que Pedro juega al tenis el 60% de los días de ese mismo mes de referencia.
A. Analizar la intersección de los sucesos T y L en los siguientes 5 casos diferentes
a. Situación 1: Pedro no juega al tenis cuando llueve.
b. Situación 2: Pedro juega al tenis el 40% de las veces que llueve y un 20% de las veces que
juega al tenis llueve.
c. Situación 3: Pedro juega al tenis el 40% de las veces que llueve y un 20% de las veces que
juega al tenis llueve.
d. Situación 4: Pedro juega al tenis el 80% de las veces que llueve y un 40% de las veces que
juega al tenis llueve.
e. Situación 5: Pedro juega al tenis todas las veces que llueve y un 50% de las veces que
juega al tenis llueve.
B. ¿En cuáles de las situaciones anteriores son independientes los sucesos T y L? Justificar.
C. ¿es lo mismo sucesos independientes y sucesos disjuntos? Justificar.
5. Si jugamos a “color” 3 veces consecutivas al mismo color en la ruleta ¿cuál es la probabilidad de ganar
2 de esas 3 veces?
1
 Probabilidad y Estadística – Unidad I: Probabilidad

6. La muestra se seleccionó sobre Población Escolarizada de la Ciudad Autónoma de Buenos Aires entre
primer y tercer año de Educación Media en instituciones públicas y privadas. Se encuestaron un total de
2200 alumnos con edades entre 13 y 15 años y con igual distribución por género. Como resultado de la
encuesta se observó que el 62% de las mujeres fuma o alguna fumó mientras que el 58 % de los
varones fuma o fumó.
A- Elaborar una tabla de doble entrada que refleje la información observada en frecuencias absolutas y
relativas en la muestra.
B-Diferenciar entre los siguientes porcentajes (%) dadas en la muestra:
 % de fumadores en el total de alumnos
 % de fumadores varones en el total de alumnos
 % de fumadores mujeres en el total de alumnos
 % de fumadores en el total de hombres
 % de fumadores en el total de mujeres
 % de mujeres entre los fumadores.
 % de varones entre los fumadores.

C- Elaborar un diagrama de árbol que represente los datos aportados por la tabla de frecuencias relativas.

7. Se tienen latas de aluminio de las que se saben que un 96% son sanas, un 3% tiene defecto por
abolladura y un 2% por rotura. Calcular:
a. La P de algún defecto
b. ¿Qué % de las latas con defectos tienen rotura?
c. ¿Qué % de las latas con defectos tienen abolladura?
d. ¿Qué significa el 25% complemento del resultado anterior?
e. Si tuviera 1000 millones de latas cuántas tendría en cada una de las clasificaciones
f. ¿son independiente los defectos por rotura y abolladura?
g. ¿son disjuntos los defectos por rotura y abolladura?

RESOLUCIONES

Ejemplo 1: Probabilidad condicional, probabilidad de la intersección, regla multiplicativa

De un mazo de barajas españolas se extraen 3 cartas. Calcular la probabilidad de sacar tres cartas de
espadas sucesivamente (piense: ¿es necesario indicar que sea sucesivamente?).
Definiremos:
E1: sacar espada en la primera extracción
E2: sacar espada en la segunda extracción
E3: sacar espada en la tercera extracción

Entonces la probabilidad pedida será:

P(E1  E2  E3) = P(E3/ E1  E2) P(E2/ E1) P(E1)

Aplicando equiprobabilidad –def. Clásica– (10 espadas en 40 cartas)

10
P( E1 ) 
40
Si sabemos E1 (que ya extrajimos una espada, nos quedan 9 espadas y 39 cartas), luego:

2
 Probabilidad y Estadística – Unidad I: Probabilidad

9
P( E2 ) 
39
Con un razonamiento equivalente:
8
P( E3 / E1  E2 ) 
38
La probabilidad buscada es:
10 9 8
P( E3  E2  E1 )   
40 39 38
pero podíamos haber desarrollado

P(E3  E2  E1) = P(E1/ E2  E3) P(E2/ E3) P(E3) (formalmente es correcto)

¿Podemos hablar de una P(E3) siendo {E3} un suceso posterior en el tiempo a E1?, o ¿P(E2/ E3) por la misma
razón? Por supuesto que sí: la probabilidad es un problema de información; puedo no saber lo que ocurrió antes
en el tiempo y evaluar lo que sé del suceso posterior, luego P(E1) = 10/40.
Observe, por otra parte, que no interesa saber que las extracciones son sucesivas: interesan los resultados
del espacio muestral y la información sobre ellos y no la forma en que se obtienen.
Piense que puede hablar de P de que Marco Polo haya visto al emperador de China un día 6 de septiembre,
o de la P de que mi tío se esté afeitando en este momento o de la P de que el hombre pise el planeta Júpiter en el
año 2020.
En los modelos estadísticos no interviene el tiempo que es una variable de la naturaleza, así el antes y el
después temporal no interesan. En cambio, podrá interesar el ordenamiento o secuencia en la que se producen
los resultados y este ordenamiento podrá o no representar el tiempo en el modelo.
Cuando interese el ordenamiento, estaremos en un capítulo de la estadística denominado “procesos
aleatorios”, y su desarrollo escapa al objetivo de este libro, aunque es útil entender este concepto.

Ejemplo 2: Probabilidad condicional, regla multiplicativa, probabilidad total, teorema de Bayes

Primero definamos los sucesos con símbolos:

M1: pieza fue producida por la máquina es producida por la primera máquina
M2: pieza fue producida por la máquina es producida por la segunda máquina

D: pieza producida que es defectuosa

Leamos los valores datos:
Se sabe que la probabilidad de que una pieza sea defectuosa si es producida por la máquina M1 es del
20%, y del 10% si es producida por la máquina M2, y el total de la producción está compuesto por un 60% de
piezas (entre buenas y defectuosas) de M1 y el resto (40%) de M2.
Resulta claro que habrá que diferenciar la forma de escribir porcentaje de defectuosas de M1; de porcentaje
de defectuosas de M2; de porcentaje de defectuosas en el total de la producción; mostrando de alguna forma cuál
es el 100% o espacio muestral al cual se refiere esa probabilidad.
Se comprende que si quisiera calcular el porcentaje de piezas defectuosas en el total de la producción se
debería calcular

0,20  0,60 + 0,10  0,40 = 0,16

Recuerde una aclaración anterior, el 16% de piezas defectuosas, en un modelo estadístico y salvo
aclaración en contrario, no implica que de 1000 piezas tengo exactamente 160 sino que es la probabilidad de que

3
 Probabilidad y Estadística – Unidad I: Probabilidad

cualquiera de las 1000 piezas sea defectuosa; por lo que (teóricamente al menos) puedo llegar a tener desde
ninguna hasta las 1000 defectuosas.
¿Cómo escribo el 20%, el 10% y el 16% calculados anteriormente? En todo modelo habrá un solo gran
espacio muestral, y a falta de indicación en contrario, la probabilidad estará referida a ese espacio.
P(D) = 0,16 es el porcentaje de defectuosas en el total de la producción.

P(D  M1) = 0,20  0,60 = 0,12 es el porcentaje de piezas defectuosas producidas por M1 referidas al total.

P(D  M2) = 0,10  0,40 = 0,04 es el porcentaje de piezas defectuosas de M2 referidas al total.

Y escribiremos
P(D/ M1) = 0,20 -> probabilidad de defectuosas dentro de las producidas por M1.
P(D/ M2) = 0,10 -> probabilidad de defectuosas dentro de las producidas por M2.
P(M1/ D) -> probabilidad de piezas producidas por M1 en el total de defectuosas.
P(M2/ D) -> probabilidad de piezas producidas por M2 en el total de defectuosas.

Estas probabilidades serán llamadas condicionales y observe que es un término relativo a la definición del
espacio muestral general. Si consideramos el universo como el de todas las piezas, tanto de M1 como de M2, y
queremos expresar el porcentaje de defectuosas sobre el total de M1, se escribiría P(D / M1).
En cambio, si nuestro modelo se hubiera circunscripto en las piezas de la máquina 1 sería redundante
escribirlo así y simplemente escribiríamos P(D), puesto que en este caso P(D / M1) = P(D).

Posiblemente hubiese sido más claro usar como nomenclatura PM 1 ( D ) , o sea, poniendo el espacio como
subíndice, pero ya es de uso generalizado la expresión P(D/ M1).

Desde el punto de vista de la información, nótese que “condicionar” es “saber”. Tener la información que la
pieza es de M1 hace que la “apuesta” sea con P de 0,20; mientras que si no tuviésemos tal información la P sería
de 0,16. Al saber que la pieza es de M2 la “apuesta” será con P de 0,10. Aquí se ve nuevamente que la P depende
de la información que uno posea.
Ordenando

a. ¿Cuál es el porcentaje de piezas defectuosas en la producción total?

Se aplica la fórmula P total

P(D) = P(D  E) = P(D  M1) + P(D  M2) = P(D/ M1) P(M1) + P(D/ M2) P(M2)=

P(D  M1) = 0,20  0,60 = 0,12 es el probabilidad de piezas defectuosas y de M1 (referidas al total).

P(D  M2) = 0,10  0,40 = 0,04 es el probabilidad de piezas defectuosas y de M2 (referidas al total).

P(D) =0,12+0,04=0,16 equivale a decir que el 16% de la producción total es defectuosa

b. ¿Cuál es el porcentaje de las piezas provenientes de la primera máquina entre las defectuosas?
Equivale a pensar, si la pieza es defectuosa que probabilidad hay que sea de la primera máquina
Se aplica la fórmula de Bayes

P(M 1  D) P( D / M 1 ) P(M 1 ) 0,12

P ( M 1 / D)     0,80  80%
P ( D) P ( D) 0,16

se lee: la P de que provenga de M1 siendo una pieza defectuosa es 0,8 que equivale a que el 80% de las
son de M1 y el entonces el 20% de la M2

4
 Probabilidad y Estadística – Unidad I: Probabilidad

Nótese que P(M1/ D) + P(M2/ D) = P(M1  M2/ D) = 1 puesto que siempre {M1  M2} = E en cualquier
subespacio.
Observe que nunca (salvo condiciones numéricas particulares) podrá aparecer en alguna fórmula de un
modelo una suma o diferencia de probabilidades de diferente condicionamiento, dado que son P que pertenecen a
espacios muestrales distintos.

Ejemplo 3: Probabilidad de la intersección, Probabilidad condicional

En un equipo existen tres elementos A, B y C que luego de un cierto periodo pueden encontrarse
desgastados. La P de que esto ocurra para cada uno de ellos es 0,47; 0,45 y 0,40 respectivamente.

Se sabe además que la P de encontrar A y B desgastadas es de 0,22; la P de encontrar solamente A y B es

el 0,12; la P de encontrar B pero no C es de 0,27 y la P de encontrar solamente A es el 0,20.
Identificaremos con {A}, {B}, {C} los sucesos: encontrar, respectivamente, al elemento A, B, C con
desgaste.
Suele ser un error frecuente llamar como suceso a “elemento A“, pero éste de por sí no es un suceso, no es
algo que puede “ocurrir” en la experiencia, como lo es “encontrarlo desgastado”.
Su diagrama representativo es:

A B

Los datos son:

P( A)  0,47 P( B)  0,45 P(C )  0,40 P( A  B)  0,22

P( A  B  C )  0,12 P( B  C )  0,27 P( A  B  C )  0,20

Calculamos ahora:
a) La P de encontrar las tres desgastadas.

P( A  B  C )  P( A  B)  P( A  B  C )  0,22  0,12  0,10 (aplicación de P. TOTAL)

b) La P de encontrar B y C con desgaste.

P( B  C )  P( B)  P( B  C )  0,45  0,27  0,18

c) La P de encontrar A y C con desgaste.

P( A  C )  P( A)  P( A  B  C )  P( A  B  C )  0,47  0,12  0,20  0,15

d) La P de encontrar A y C pero no B.

P( A  C  B)  P( A  C )  P( A  C  B)  0,15  0,10  0,05

e) La P de encontrar solamente B y C.

P( B  C  A)  P( B  C )  P( B  C  A)  0,18  0,10  0,08

f) La P de encontrar C solamente.

P(C  A  B)  P(C )  P( B  C )  P( A  C  B)  0,40  0,18  0,05  0,17

5
 Probabilidad y Estadística – Unidad I: Probabilidad

g) La P de encontrar alguna desgastada (o sea, una o más de una o por lo menos una).

P( A  B  C )  P( A)  P( B)  P(C )  P( A  B)  P( A  C )  P( B  C )  P( A  B  C ) 
 0,47  0,45  0,40  0,22  0,15  0.18  0,10  0,87

h) La P de no encontrar elementos gastados.

P( A  B  C )  1  P( A  B  C )  1  0,87  0,13

i) La P de encontrar sólo un elemento gastado.

P[( A  B  C )  ( A  B  C )  ( A  B  C )] 
 P( A  B  C )  P( B)  P( A  B)  P( A  B  C )  P( A  B  C ) 
 0,20  0,45  0,22  0,08  0,17  0,52

j) la P de encontrar A y B sabiendo C:
P[( A  B)  C ] 0,10
P( A  B / C )    0,25
P(C ) 0,40

Ejemplo 4: Probabilidad condicional, independencia, regla multiplicativa

¿Son independientes los sucesos “Pedro juega al tenis” y “es un día de lluvia”?
Supongamos los siguientes sucesos y probabilidades como dato:

L día de lluvia P(L) = 0,30

L día de sol P( L ) = 0,70
T juego al tenis P(T) = 0,60
T no juego P( T ) = 0,40

y la siguientes 5 situaciones donde son válidas estas P y sólo cambian la P de la intersección

P(L  T) y por consiguiente las correspondientes P condicionales:

L L L
L L
T T T T T

Situación 1 2 3 4 5
disyunción dependencia independencia dependencia inclusión
P( L  T )
Datos: 0 0,12 0,18 0,24 0,30

P( L  T )
P( L / T )  0 0,40 0,60 0,80 1,00
P ( L)
P( L  T )
P( L / T )  0 0,20 0,30 0,40 0,50
P(T )

a) Situación 1: no hay intersección entre los sucesos (sucesos disjuntos).

P(T/ L) = 0 de que juegue al tenis si llueve
P(L/ T) = 0 de que sea un día de lluvia si juego
Nótese el gran cambio que se produce en la evaluación de las P en el caso de “saber”:

6
 Probabilidad y Estadística – Unidad I: Probabilidad

Tenemos que la P de que un día se juegue al tenis (0,6) pasa a ser nula.
Tenemos que la P de que sea un día de lluvia también se anula al saber que se juega al tenis.
En este caso hay una gran dependencia entre los sucesos, tal es así que llegamos a la certeza con esa
información (si juego al tenis, seguro es un día de sol).
b) Situación 2: hay una intersección relativamente pequeña.
P(T/ L) = 0,40 de que juegue al tenis si llueve
P(L/ T) = 0,20 de que sea un día de lluvia si juego

En este caso también hay un cambio en las probabilidades, aunque no como en el caso anterior.
c) Situación 3: Independencia porque se cumple lo siguiente
P(T/ L) = 0,60 = P(T)
P(L/ T) = 0,30 = P(L)

P(LnT)= P(T)* P(L)

d) Situación 4: hay una intersección relativamente grande.

P(T/ L) = 0,80 de que juegue al tenis si llueve
P(L/ T) = 0,40 de que sea un día de lluvia si juego

Este caso es equivalente al 2, salvo en la medida de las P condicionales que se hacen mayores a las no
condicionadas (es como si a uno le gustara más jugar si hay lluvia). En este caso hay dependencia.
e) Situación 5: hay inclusión de un suceso en otro.
P(T/ L) = 1,00 de que juegue al tenis si llueve (certeza 100%)
P(L/ T) = 0,50 de que sea un día de lluvia si juego

Este es el otro caso extremo en el que estaría mostrando una compulsiva necesidad de jugar en días de
lluvia, o sea, sabiendo que llueve seguro que juego al tenis. Hay dependencia y fuerte.
B. ¿En cuáles de las situaciones anteriores son independientes los sucesos T y L? Justificar.
Situación 3: (es la que más nos interesa discutir) es la situación de independencia.
P(T/ L) = 0,60 = P(T)
P(L/ T) = 0,30 = P(L)
Significa que la información (condicionamiento) al saber que llueve no modifica la P(T). Tampoco se
modifica P(L) al saber que no se juega al tenis.
O sea, la información NO MODIFICA la probabilidad.
La definición de independencia puede darse como:

A y B son sucesos independientes si, y sólo si:

P(A / B) = P(A)  P(B / A) = P(B)  P(A  B) = P(A) P(B)

Preguntémonos ahora: puedo entender que cambie la P de jugar al tenis si llueve, ya que depende de una
decisión mía. Pero, ¿por qué será que cambia la P de lluvia sabiendo que juego al tenis en los casos de NO
independencia? ¿Es que San Pedro, que según dicen hace llover, se apiada de mí sabiendo que juego al tenis y
cambia la situación meteorológica? ¿Es que hay algún fenómeno de la física o la meteorología que relacione mi
juego de tenis con la lluvia?
Nada de eso, la estadística no se ocupa de las relaciones causa - efecto. Podrá haberlas o no, de eso
se ocupan las ciencias de la naturaleza, en este caso la meteorología, la física o aún la psicología. A la estadística
no le interesa el porqué.
Pero la estadística es lógica, es coherencia: decimos que de alguna forma las probabilidades miden la
información que tiene el formulador del modelo. Por ejemplo, en la situación 2 el jugador tiene menos probabilidad

7
 Probabilidad y Estadística – Unidad I: Probabilidad

de jugar si llueve P(T/L) que en un día cualquiera P(T). De alguna forma el saber que se está jugando implica
saber que debe ser menos probable que sea en un día de lluvia; simplemente eso es lo que se refleja en el cálculo
y en las diferencias entre las P y no en una explicación de causa.
La estadística puede ayudar a orientar una ciencia que estudia la naturaleza hacia una explicación causal
pero no a justificarla. En la no comprensión de este concepto se han elaborado muchas “mentiras estadísticas”,
como sería en este caso afirmar que soy capaz de “hacer llover” con sólo jugar al tenis, porque “sabiendo que
juego” aumenta la P de lluvia en el ejemplo de la situación 5 ( P(L/T) = 0,60 frente a P(L) = 0,30 ).

C. ¿es lo mismo sucesos independientes y sucesos disjuntos? Justificar.

No es lo mismo que los sucesos sean independientes a que sean disjuntos. Es más, si son disjuntos se
saben que no son independientes porque la probabilidad de los sucesos por separados no puede ser igual a la
probabilidad de la intersección que en el caso de disjuntos es cero. Comparar situación 1 con situación 3.

Ejemplo 5. Probabilidad de la intersección y unión

5. Si jugamos a “color” 3 veces consecutivas al mismo color en la ruleta ¿cuál es la probabilidad de ganar 2
de esas 3 veces?

Si jugamos a “color” en la ruleta, tenemos una p de ganar de 18

37 y 19
37 de perder. Identificaremos con G1,
G2, G3, los sucesos ganar el primer tiro, el segundo y el tercero respectivamente.
¿Tenemos información suficiente para asegurar que, si se ganó o perdió en el 1 er o 2do tiro, cambie la P para
el tercero? La respuesta es NO; por lo tanto, los sucesos G1, G2 y G3 son independientes.

A= ganar dos de 3 tiros en la ruleta

Esta condición de independencia muestra cuán inútil es esperar que salga algunas veces color “negro” para
jugar al “colorado”; la ruleta no “compensa” lo ocurrido en tiros anteriores.
Ahora, para calcular la P de ganar 2 veces en tres tiros (suceso A), tenemos:

P( A)  P( {G1  G2  G3 }  {G1  G2  G3 }  {G1  G2  G3 } )

por condición de independencia y disyunción:

P(A) = P(G1) P(G2) [1 – P(G3)] + P(G1) [1 – P(G2)] P(G3) + [1 – P(G1)] P(G2) P(G3)

Por condición de igualdad: P(G1) = P(G2) = P(G3) = p

P(A) = 3 p2 (1 – p)=3*( 18 37 )2 * (1- 18 37 )=0,365

El 35% de las veces que se juega 3 partidas a color se gana en 2 de ellas

Ejemplo 6: Probabilidad Condicional, total, bayes. Frecuencia relativa y absoluta

6. En la encuesta Mundial sobre tabaquismo en jóvenes de argentinos 2012, la muestra se seleccionó sobre
Población Escolarizada de la Ciudad Autónoma de Buenos Aires entre primer y tercer año de Educación
Media en instituciones públicas y privadas. Se encuestaron un total de 2200 alumnos con edades entre 13 y
15 años y con igual distribución por género. Como resultado de la encuesta se observó que el 62% de las
mujeres fuma o alguna fumó mientras que el 58 % de los varones fuma o fumó.

A- Elaborar una tabla de doble entrada que refleje la información observada en frecuencias
absolutas y relativas en la muestra.
Fuma o fumó alguna vez: 0.6*2200
Mujeres que fuma o fumó: 0.62*2200/2
Varones que fuma o fumó: 0.57*2200/2
Frecuencias Absolutas(TABLA I):

8
 Probabilidad y Estadística – Unidad I: Probabilidad

Nunca Fuma o fumó Total

Fumó alguna vez por fila
Mujeres 418 682 1100
Varones 473 638 1100
880 1320 2200

Frecuencias Relativas fr (TABLA II):

Nunca Fumó Fuma o fumó % Total
alguna vez por fila
Mujeres (1-0.62)*0.50 = 0.19 0.62*0.5 = 0.31 0.50
Varones (1-0.58)*0.50 = 0.21 0.58*0.5 = 0.29 0.50
0.40 0.60 1.00

Llamamos fr a la frecuencia relativa y %fr a la frecuencia relativa expresada en relación a 100%

Esta frecuencia relativa equivale a la probabilidad cuando el universo de referencia SOLO el total de la
muestra (N=2200). En este caso las probabilidades se refieren a encontrar en la muestra un persona con
determinadas características.

B-Diferenciar entre los siguientes porcentajes (%) dadas en la muestra:

 % de fumadores en el total de alumnos

 % de fumadores varones en el total de alumnos
 % de fumadores mujeres en el total de alumnos
 % de fumadores en el total de hombres
 % de fumadores en el total de mujeres
 % de mujeres entre los fumadores.
 % de varones entre los fumadores.
F: La persona fuma.
M: La persona es mujer.
V: La persona es varón.
Luego del trabajo de los alumnos se propone una síntesis desde el pizarrón:
1- % de fumadores en el total de alumnos.

tF= 0.6= 1320 / 2200

%tF= 60%
F

n
2- o
% de fumadores varones en el total de alumnos
frF= 0.29= 638 / 2200
F %frFV= 29%
V V
F

9
 Probabilidad y Estadística – Unidad I: Probabilidad

3- % de fumadores mujeres en el total de alumnos

V frF= 0.31= 682 / 2200

F %frFM= 31%
M

Notar que los tres primeros % se refieren al mismo total (2200). En este caso

M %frF= %frFV + %frFM

60% = 29% + 31%
Lo que es equivalente a que la unión de dos conjuntos. Esto equivale en probabilidad a unión de dos
sucesos que dan un tercer suceso, en este caso fumador

4- % de fumadores en el total de hombres

Vv F frF/V = 0.58 = 638 / 1100

V %frF/V = 58%

M
5- % de fumadores en el total de mujeres
frF/M = 0.62 = 682 / 1100

V %frF/M = 62%
F Los % 4 y 5 con cualquiera de los anteriores se refieren a distintos totales, equivalente en la
M
probabilidad a diferentes espacios muestrales.

6- M% de mujeres entre los fumadores.

frM/F = 0.5167 = 682 / 1320

%frM/F = 51,67%
F
M

7- %Fde
M varones entre los fumadores.

o
F F
frV/F = 0.4833 = 638 / 1320
V

%frV/F = 48,33%
FSi
M
se considera a la muestra como la población de análisis, es decir como el espacio muestral, los % se
interpretan ocomo probabilidades de ese espacio. Utilizando la tabla II entonces se pueden resignificar las
probabilidades
F condicionales.

 La probabilidad de que un joven varón haya fumado en la muestra

considerada es la probabilidad condicional de fumador restringida al grupo
varones
V F

10
M
 Probabilidad y Estadística – Unidad I: Probabilidad

P(F/) = P(FV) = 0.29 = 0.58

P(V) 0.50

 La probabilidad de que un jóven que haya fumado sea varón en la muestra considerada
es la probabilidad condicional de varon restringida al grupo fumador
F
V
P(V/F) = P(FH) = . P(F/V) * P(V) =. 0.29*0.5 . = 0,483
P(F) P(F/V)*P(V) + P(F/M)*P(M) 0.29*0.5 + 0.31*0.5
FM
Es cierto que en este ejemplo parece rebuscada la fórmula aplicada, pero lo relevante es la interpretación de los
o
términos involucrados.
F
Como conclusión es importante diferenciar el suceso o evento considerado y el espacio muestral de
referencia. La fórmula es útil si se conoce P(F/V) y se solicita P(H/F)
P(F) = P(F/V)*P(V) + P(F/M)*P(M)
C- Elaborar un diagrama de árbol que represente los datos aportados por la tabla de frecuencias
relativas.

Ejemplo 7: Probabilidad de la unión, intersección, condicional, independencia

Se tienen latas de aluminio de las que se saben que un 96% son sanas, un 3% tiene defecto por abolladura
y un 2% por rotura.
A: la lata tiene defecto por abolladura.
R: la lata tiene defecto por rotura A
R
S: la lata es sana
D: Las latas tienen algún defecto
S
Identificar las siguientes probabilidades

P(A)=0.03 el 3% de las latas tienen defecto por abolladura

P(R)=0.02 el 2% de las latas tienen defecto por rotura
P(S)=0.96 el 96% de las latas no tienen defectos, es decir son sanas

a) P(D)= P(algún defecto)= P(AuR) Defecto de abolladura o rotura

11
 Probabilidad y Estadística – Unidad I: Probabilidad

P(AuR)=1- P(AuR)C sana (sin defectos) es el complemento de algún defecto.

P(S)= P(AuR)C Las sanas son el complemento de las que tienen algún defecto
P(AuR) =1-0.96=0.04 El 4% de las latas tiene algún defecto
P(AuR)= P(A)+ P(R) -P(AnR) => P(AnR)= P(A)+ P(R)- P(AuR)=0.01 el 1% de las latas tiene defectos por
rotura y abolladura (intersección)

Lo que sigue cambia el universo de referencia y lo restringue al conjunto de las

latas con defecto.
A
b) ¿Qué % de las latas con defectos tienen rotura? AnR
R

De las que tiene defecto que % tiene rotura

P(R/D)=P(RnD)/P(D)= P(R)/P(D)=0.02/0.04=0.5 es decir el 50% de las latas
con defectos tienen rotura.

c) ¿Qué % de las latas con defectos tienen abolladura?

De las que tiene defecto que % tiene abolladura
P(A/D)=P(AnD)/P(D)= P(A)/P(D)=0.03/0.04=0.75 es decir el 75% de las latas
con defectos tienen abolladura.
d) ¿Qué significa el 25% complemento del resultado anterior?
El 25% de las latas que tienen defectos no tiene abolladura, es decir solo tienen rotura.
P(AC/D)=1-P(A/D)=1-.0,75=0.25
e) Si tuviera 1000 millones de latas cuántas tendría en cada una de las clasificaciones:
En millones:
1000: latas
960: latas sanas
40: latas con algún defecto
12: latas tienen defecto por abolladura
20: latas tienen defecto por rotura
4: latas tienen defecto por rotura y abolladura.
f) ¿son independiente los defectos por rotura y abolladura?
No porque P(AnR) es distinto a P(A)*P(R)
g) ¿son disjuntos los defectos por rotura y abolladura?
No porque P(AnR) es distinto de cero

12