Unidad

UNIDAD
UNIDAD 4
PROBABILIDADES
PROBABILIDADES Y ESTADÍSTICA
_____________________________________________________________________
Jorge Sueldo/Ángel Vicente Niziolek

INTRODUCCIÓN
En esta unidad y para concluir con la tarea de plasmar los primeros

conceptos de Probabilidades y Estadística; desarrollaremos los conceptos
referidos a la probabilidad clásica y frecuencial. Las reglas y los conceptos
generales, hasta la utilización de la regla de Bayes.
Luego se exponen las distribuciones de probabilidad para espacios
muestrales discretos como la distribución uniforme discreta, la Binomial, la
Poisson, y para espacios muestrales continuos, como la distribución uniforme
continua, la normal y la exponencial.
Trabajar con las tablas permite ahorrar tiempo y esfuerzo, al tiempo que
podemos entender mejor algunos conceptos. Adelante…
OBJETIVOS ESPECÍFICOS
► Que el alumno luego de conocer los conceptos básicos de probabilidad, los

aplique en distribuciones discretas y/o continuas.
_____________________________________________________________________
Lic. Mónica L. Pascual

CONTENIDOS
4.1. Probabilidades.
Definiciones
Axiomas de probabilidad
Reglas de la probabilidad
Tipos de eventos
Probabilidad condicional
Independencia estadística
Teorema de Bayes
Tablas de contingencia
_____________________________________________________________________

Esquema de contenidos
A continuación le presentamos un esquema con vinculación de contenidos.
Tipos
Iniciaremos el recorrido de la cuarta Unidad Didáctica. Le deseamos

mucha suerte.
_____________________________________________________________________

Comenzamos…
Desarrollo de los contenidos
4.1.PROBABILIDADES
Vamos a describir a la probabilidad como la posibilidad de ocurrencia

de un hecho, la misma mide la frecuencia con la que aparece un resultado
determinado cuando se realiza un experimento.
Por ejemplo: si tiramos un dado y se quiere conocer cual es la probabilidad de

que salga un 5, o que salga un número impar, o de obtener un número mayor que
3.
El experimento tiene que ser aleatorio, es decir, que pueden presentarse

los diversos resultados, dentro de un conjunto posible de soluciones, y esto aún
realizando el experimento en las mismas condiciones. Por lo tanto, en la
probabilidad, a priori no se conoce cual de los resultados se va a presentar:
Por ejemplo: lanzamos una moneda al aire: el resultado puede ser cara o
seca, pero no sabemos de antemano cual de ellos va a salir.
► Definiciones:
Espacio Muestral: es el conjunto de todos los resultados posibles de un

experimento aleatorio. “S”
Suceso compuesto o evento: es un subconjunto del espacio muestral.
Suceso unitario o evento simple: son cada uno de los resultados posibles del
experimento aleatorio
5
_____________________________________________________________________

Por ejemplo: Si en una línea de producción se seleccionan 3 artículos que
pueden ser buenos (B) o defectuosos (D), el espacio muestral será:
S = {BBB, BBD, BDB, BDD, DBB, DBD, DDB, DDD}
Si definimos el evento A: al menos un art. es Bueno
A = {BBB, BBD, BDB, BDD, DBB, DBD, DDB}
En las carreras de caballos el “Batalla de Tucumán” es el premio más

importante de la Provincia; puede ganar cualquier caballo entre el número 1 y el
12, pero no sabemos a priori cual va a ser (si lo supiéramos no estaríamos aquí
escribiendo en este momento).
Existen experimentos que no son aleatorios, razón por la cual no se les

puede aplicar las reglas de la probabilidad.
Si un experimento consiste en lanzar una moneda al aire dos veces,

entonces el espacio muestral estaría formado por S = {(CC), (CS), (SC), y (SS)}.
ÁLGEBRA DE CONJUNTOS:
Espacio muestral; S = {1, 2, 3, 4, 5, 6}

Eventos: A = {1, 3, 5} B = { 1, 4} C = { 4, 5, 6} D = { 2, 4, 6}
Intersección de eventos: A  B  {1} es el conjunto de todos los

elementos comunes de A y de B.-
Unión de eventos: A  C  { 1, 3, 4, 5, 6} es el conjunto de todos los

elementos de A ó de C ó de
ambos.-
_____________________________________________________________________

Eventos mutuamente excluyentes: A D  se da cuando no existe
elementos comunes entre los
eventos.-
Complemento de eventos: Ac  S – A Ac  { 2, 4, 6} ; B c  { 2, 3, 5, 6}
Es el conjunto de todos los elementos de “S”, que no están en el evento
respectivo.
Corolario: A  Ac  S
Al evento “Complemento de A” también se lo puede encontrar con la
nomenclatura: A
4.1.1.- Axiomas de Probabilidad:
Como hemos comentado anteriormente, la probabilidad mide la mayor o

menor posibilidad de que se dé un determinado resultado (suceso) cuando se
realiza un experimento aleatorio. Esto implica que la probabilidad tome como
resultados posibles valores entre 0 y 1, es decir, que el suceso sea imposible
[P(x=0)] o seguro [P(x=1)].
Los resultados pueden expresarse en valores decimales o en tanto por

ciento, entre 0% y 100%.
1º Axioma: P( )  0 Al suceso imposible (conjunto vacío) le corresponde el valor

cero. Por ejemplo: la probabilidad de que salga el número 7 si lanzamos un dado
al aire es cero (si es un dado normalizado de seis caras).
2º Axioma: P(S )  1 El valor uno corresponde al suceso seguro: lanzamos un

dado al aire y la probabilidad de que salga cualquier número del 1 al 6 es igual a
uno (100%).
_____________________________________________________________________

3º Axioma: 0  P( A)  1 En el cálculo de probabilidades de un suceso habrá
probabilidades entre cero y uno, que tenderá a la unidad cuanto más probable
sea que dicho suceso tenga lugar.
4.1.2.- Enfoque Clásico o de Laplace:
Uno de los métodos más utilizados define la probabilidad de un suceso

como el cociente entre el número de sucesos favorables y el número de sucesos
posibles.
N º de.sucesos. favorables
P( A) 
N º de.sucesos. posibles
A la regla de Laplace también se le denomina "probabilidad a priori", ya

que para aplicarla hay que conocer antes de realizar el experimento cuales son
los posibles resultados y saber que todos tienen las mismas probabilidades.
Veamos algunos ejemplos de probabilidad a priori:
a) La probabilidad de que al lanzar un dado salga el número 5: el caso favorable

es tan sólo uno (que salga el cinco), mientras que los casos posibles son seis
(puede salir cualquier número del uno al seis). Por lo tanto:
1
P( A)   0,1667 (lo que sería el 16,67 %)
6
b) La probabilidad de que al lanzar un dado salga un número impar: en este caso

los casos favorables son tres (que salga el uno, el tres o el cinco), mientras que
los casos posibles siguen siendo seis. Por lo tanto:
3 1
P( B)    0,50 (lo que representaría el 50%)
6 2
_____________________________________________________________________

c) La probabilidad de que al lanzar un dado salga un número menor que 5: en
este caso tenemos cuatro casos favorables (que salga el uno, el dos, el tres o el
cuatro), frente a los seis casos posibles. Por lo tanto:
4
P(C )   0,6667 (lo que sería el 66,67 %)
6
d) La probabilidad de que nos toque “La cabeza" de la quiniela: tan sólo un caso
favorable, el número que jugamos, frente a 1.000 casos posibles. Por lo tanto:
1
P( D)   0,001 (o lo que es lo mismo el 0,1 % ó el 1 ‰).
1.000
No olvide que los objetivos de cada Unidad guiarán su estudio

haciéndoselo más agradable porque sabe dónde debe (quiere) llegar.
Sigamos…
Ejemplos
Qué lástima...... parece que, tiene la misma probabilidad el número 452, que el
número 001, pero ¿cuál de ellos comprarías?
Existen dos requisitos para poder aplicar la Regla de Laplace que el

experimento aleatorio tiene que cumplir
 El número de resultados posibles (sucesos) tiene que ser finito. Si

hubiera infinitos resultados, al aplicar la regla "casos favorables / casos
posibles" el cociente siempre sería cero.
 Todos los sucesos tienen que tener la misma probabilidad. Si al lanzar
un dado, algunas caras tuvieran mayor probabilidad de salir que otras, no
podríamos aplicar esta regla.
_____________________________________________________________________

4.1.3.- Enfoque Empírico o Principio de Estabilidad de las Frecuencias
Relativas
En el caso que el experimento aleatorio no cumple los dos requisitos

indicados vamos a acudir a otro modelo de cálculo de probabilidades que se basa
en la experiencia (modelo frecuencial). Cuando se realiza un experimento
aleatorio un número elevado de veces, las probabilidades de los diversos
posibles sucesos empiezan a converger hacia valores determinados, que son sus
respectivas probabilidades.
Si repito el experimento de lanzar una moneda al aire un número elevado

de veces, lo normal es que las probabilidades de los sucesos "cara" y "cruz" se
vayan aproximando al 50% cada una. Este 50% será la probabilidad de estos
sucesos según el modelo frecuencial.
En este modelo ya no será necesario que el número de soluciones sea

finito, ni que todos los sucesos tengan la misma probabilidad.
A esta definición de la probabilidad se le denomina “probabilidad a

posteriori”, ya que tan sólo repitiendo un experimento un número elevado de
veces podremos saber cual es la probabilidad de cada suceso.
Cuando el número de ensayos tiende

  a ∞; la probabilidad frecuencial
tiende
  a la probabilidad clásica.
4.1.4.- Reglas de la Probabilidad
Al definir los sucesos hablamos de las diferentes relaciones que pueden

guardar dos sucesos entre sí, así como de las posibles relaciones que se pueden
establecer entre los mismos. Veamos ahora cómo se refleja esto en el cálculo de
probabilidades.
10
_____________________________________________________________________

 Si un evento puede estar contenido en otro: entonces, la probabilidad
del primer evento será menor que la del evento que lo contiene.
A B  P( A)  P( B)
Por ejemplo, si lanzamos un dado y analizamos dos sucesos: i) que salga

el número 5, y ii) que salga un número impar. Dijimos que el evento i) está
contenido en el evento ii).
1
P( X  5)   0,1667
6
3
P(nº impar )   0,50
6
Podemos apreciar que la probabilidad del evento i), es menor que la

probabilidad del evento ii).
 Si dos eventos son iguales: las probabilidades de ambos eventos son las
mismas.
Por ejemplo lanzamos un dado al aire y analizamos dos eventos: i) que salga
número par, y ii) que salga múltiplo de 2. En este caso las soluciones coinciden.
3
P(nº par )   0,50
6
3
P(multiplo .de.dos)   0,50
6
 Intersección de eventos (o evento conjunto): es aquel evento

compuesto por los elementos comunes de los dos o más eventos que se
intersectan. La probabilidad será igual a la probabilidad de los elementos
comunes.
11
_____________________________________________________________________

Por ejemplo si lanzamos un dado al aire y analizamos dos eventos: i) que
salga número impar, y i) que sea mayor que 2. La intersección de estos dos
eventos tiene dos elementos: el 3 y el 5.
Su probabilidad será por tanto:
2 1
P( A  B)    0,3333
6 3
La probabilidad que ocurran los eventos A y B es de 0,333
 Unión de dos o más eventos: la probabilidad de la unión de dos eventos

es igual a la suma de las probabilidades individuales de los dos eventos
que se unen, menos la probabilidad del evento intersección.
P( A  B)  P( A)  P( B)  P( A  B)
Por ejemplo si lanzamos un dado al aire y analizamos dos sucesos: i) que

salga número par, y ii) que el resultado sea mayor que 3. El suceso unión estaría
formado por los siguientes resultados: el 2, el 4, el 5 y el 6.
S(A) = {2,4,6} S(B) = {4,5,6} S(AB) = {4,6}
2
P(A) = 3 / 6 = 0,50 P(B) = 3 / 6 = 0,50 P( A  B)   0,3333
6
P( A  B)  (0,50  0,50)  0,3333  0,6667
La probabilidad que ocurran los eventos A o B es de 0,6667
 Eventos mutuamente excluyentes: dos eventos A y B son mutuamente

excluyentes cuando la ocurrencia de uno impide la ocurrencia del otro.
Esto significa que no pueden ocurrir al mismo tiempo.
Es decir que la P( A  B)  0
12
_____________________________________________________________________

La probabilidad de la unión de dos eventos A y B mutuamente excluyentes
será igual a la suma de las probabilidades de cada uno de los eventos ya
que P( A  B)  P( A)  P( B)  P( A  B)  P( A)  P( B)  0  P( A)  P( B)
Por ejemplo si lanzamos un dado al aire y analizamos dos eventos: i) que

salga un número menor que 3, y ii) que salga el número 6.
La probabilidad de la unión de estos dos eventos será igual a:
S(A) = {1,2} S(B) = {6} S(AB) = 0
P(A) = 2 / 6 = 0,333 P(B) = 1 / 6 = 0,166
De donde, P( A  B)  0,3333  0,1667  0,50
 Eventos complementarios: la probabilidad del evento complementario es

igual a P( A) c  1  P( A)
Por ejemplo si lanzamos un dado al aire. el suceso (i) es que salga un número
par, luego su complementario, suceso (ii), es que salga un número impar.
La probabilidad del suceso (A) es igual a :P(A) = 3 / 6 = 0,50
La probabilidad del suceso (B) es igual a:
P(B) = P(A)C = 1 - P(A) = 1 - 0,50 = 0,50
Podemos comprobar aplicando la regla general de "casos favorables / casos

posibles": P(B) = 3 / 6 = 0,50
 Unión de eventos complementarios: la probabilidad de la unión de dos

sucesos complementarios es igual a 1.
13
_____________________________________________________________________

Si seguimos con el ejemplo anterior: i) que salga un número par, y ii) que
salga un número impar. La probabilidad del evento unión de estos dos será igual
a:
3 3
P(A) = = 0,50 P(B) = = 0,50
6 6
Por lo tanto: P(A U B) = 0,50 + 0,50 = 1
Algunas veces calcular el número de casos favorables y casos posibles es

complejo y hay que aplicar reglas matemáticas, para ello vamos a diferenciar:
a) Combinaciones:
Determina el número de subgrupos de 1, 2, 3, etc. elementos que se

pueden formar con los "n" elementos de una nuestra. Cada subgrupo se
diferencia del resto en los elementos que lo componen, sin que importe el
orden.
n!
Cr 
r!.(n  r )!
n
Por ejemplo, calcular las posibles combinaciones de 2 elementos que se pueden

formar con los números 1, 2 y 3.
Se pueden establecer 3 parejas diferentes: (1,2), (1,3) y (2,3). En el cálculo

de combinaciones las parejas (1,2) y (2,1) se consideran idénticas, por lo que
sólo se cuentan una vez.
3!
C2   3 combinaciones distintas.
2!.(3  2)!
3
b) Variaciones o Permutaciones de n objetos tomando r a la vez:
14
_____________________________________________________________________

Calcula las posibles agrupaciones que se pueden establecer con todos los
elementos de un grupo, por lo tanto, lo que diferencia a cada subgrupo del resto
es que si importa el orden de los elementos (es lo que le diferencia de las
combinaciones).
Ahora tendríamos 6 posibles parejas: (1,2), (1,3), (2,1), (2,3), (3,1) y (3,3).
En este caso los subgrupos (1,2) y (2,1) se consideran distintos.
n!
Vn,r  n Pr 
(n  r )!
3!
P2   6 permutaciones posibles.
(3  2)!
3
No avance en la lectura si tiene alguna duda, utilice la PLATAFORMA

EDUCATIVA para comunicarse con su tutor.
Continuamos…
Recuerde que:
El término " n! " se denomina "factorial de n" y es la multiplicación de todos

los números que van desde "n" hasta 1.
Por ejemplo: 5! = 5 x 4 x 3 x 2 x 1 = 120
 Probabilidad condicional:
Las probabilidades condicionales se calculan una vez que poseemos

información adicional a la situación inicial:
P( A  B)
P( A / B)  con P(B) > 0
P( B)
15
_____________________________________________________________________

Nota: P( A / B) debe leerse “probabilidad de que ocurra A, habiendo antes
ocurrido B”. Es decir, que para calcular una probabilidad condicionada, tuvo
necesariamente que haber ocurrido el otro evento
P (A/B) es la probabilidad de que se de el suceso A condicionada a que se

haya dado el suceso B.
P( A  B) es la probabilidad del evento simultáneo (o evento conjunto)de A
y de B, tal como se ha definido antes.
P(B) es la probabilidad a priori del evento B; la que no puede ser igual a

cero, ya que caeríamos en una indeterminación.
Por ejemplo: si se tira un dado sabemos que la probabilidad de que salga un 5

es una en seis (probabilidad a priori). Y si incorporamos nueva información (por
ejemplo, alguien nos dice que el resultado ha sido un número impar) entonces la
probabilidad de que el resultado sea el 5 ya no es 1/6.
P(A/B) es la probabilidad de obtener el n° 5 (Suceso A) dado que salió un

n° impar (suceso B)
1/ 6
De donde: P (A  B) = 1/6 ; P (B) = ½ ; P (A/B) = = 1/3
1/ 2
Luego, la probabilidad de que salga el número 5, si ya sabemos que ha

salido un número impar, es de 1/3 (mayor que su probabilidad a priori de 1/6).
Otro caso: En un estudio pre-laboral se ha llegado a la conclusión de que

la probabilidad de que una persona sufra problemas coronarios (suceso B) es el
0,10 (probabilidad a priori).
16
_____________________________________________________________________

Además, la probabilidad de que una persona sufra problemas de obesidad
(suceso A) es el 0,25 y la probabilidad de que una persona sufra a la vez
problemas de obesidad y coronarios (suceso conjunto de A y B) es del 0,05.
Si queremos calcular la probabilidad de que una persona sufra problemas

coronarios si está obesa (sería la probabilidad condicionada P(B/A)).
P (B  A) = 0,05 ; P (A) = 0,25 ; P (B/A) = 0,05 / 0,25 = 0,20
Por lo tanto, la probabilidad condicionada es superior a la probabilidad a

priori. No siempre esto es así, a veces la probabilidad condicionada es igual a la
priori o menor.
La regla de multiplicación de probabilidades deriva de la probabilidad

condicional:
La probabilidad de que se den simultáneamente dos sucesos (suceso

intersección de A y B o suceso conjunto de A y B es igual a la probabilidad del
suceso A multiplicada por la probabilidad del suceso B condicionada al
cumplimiento del suceso A.
La fórmula para calcular esta probabilidad compuesta es:
P( A  B)  P( A / B).P( B)  P( B / A).P( A)
Es decir, que la probabilidad de eventos conjuntos es igual a la

probabilidad de ocurrencia de un evento por la probabilidad del otro evento
condicionada por el que ocurrió primero
Si estudiamos el suceso A (operarios que hablan inglés) y el suceso

B (operarios del sector fábrica) y obtenemos la siguiente información:
Un 50% de los operarios hablan inglés. De los operarios que hablan inglés,
un 20% se encuentran en el sector fabrica (suceso B condicionado al suceso A).
17
_____________________________________________________________________

Calcular la probabilidad de que un operario hable inglés y sea del sector
fábrica (suceso intersección de A y B). De la fórmula de probabilidad condicional
puede despejarse para obtener la probabilidad conjunta
P( A  B)  P( A / B) xP( B) o también P( A  B)  P( B / A) xP( A)
Tenemos: P (A) = 0,50 ; P (B/A) = 0,20
P (A  B) = 0,50 . 0,20 = 0,10
O sea, un 10% de los operarios hablan inglés y trabajan en el sector fábrica.
El teorema de la probabilidad total nos permite calcular la probabilidad

de un evento a partir de probabilidades condicionadas.
La fórmula para calcular esta probabilidad es:
P( B)   ( Ai ).P( B / Ai ) (donde “i” toma valores entre 1 y n)
En otras palabras, la probabilidad de que ocurra el suceso B es igual a la

suma de multiplicar cada una de las probabilidades condicionadas de este suceso
con los diferentes sucesos A, por la probabilidad de cada suceso A. Teniendo en
cuenta que para que este teorema se pueda aplicar hace falta cumplir un
requisito: los sucesos A tienen que formar un sistema completo, es decir, que
contemplar todas las posibilidades (la suma de sus probabilidades debe ser el
100%
El Teorema de Bayes: deriva del principio del Teorema de la probabilidad

total, sigue el proceso inverso al que hemos visto: a partir de que ha ocurrido el
suceso B deducimos las probabilidades del suceso A:
18
_____________________________________________________________________

La fórmula del Teorema de Bayes es:
P( Ai ).P( B / Ai ) P( Ai  B)
P( Ai / B)  
 P( Ai ).P( B / Ai )  P( Ai  B)
Vamos a intentar explicar este concepto con un ejemplo. De todos modos,

antes de entrar en el ejercicio, recordar que este teorema también exige que el
suceso A forme un sistema completo.
Ejemplo de Bayes: un operario puede desempeñarse en tres sectores de una

empresa:
P (sector 1) = 50% ; P(sector 2) = 30% ; P(sector 3) = 20%
Según los posibles sectores donde se le asigne el trabajo, la posibilidad de

que ocurra un accidente (evento A) es la siguiente:
P(A / sector 1) = 10% ; P(A / sector 2) = 20% ; P(A / sector 3) = 5%
Resulta que efectivamente ocurre un accidente y como no estábamos en la

empresa, no sabemos en que sector ocurrió (S1, S2 o S3). El teorema de Bayes
nos permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un

accidente se denominan "probabilidades a priori" (S1 = 50%, S2 = 30% y S3 =
10%).
Una vez que incorporamos la información de que ha ocurrido un accidente, las

probabilidades del suceso A cambian: son probabilidades condicionadas P (A/B),
que se denominan "probabilidades a posteriori". Vamos a calcular algunas
probabilidades.
a) La probabilidad de accidente será:
19
_____________________________________________________________________

P(A) = P(AS1) + P(AS2) + P(AS3)
Según la fórmula para calcular dos eventos conjuntos:
P( A  B)  P( A / B).P(B)  P(B / A).P( A)
P(A) = P(S1) P(A/S1) + P(S2) P(A/S2) + P(S3) P(A/S3)
P(A) = 0,50 x 0,10 + 0,30 x 0,20 + 0,20 x 0,05 = 0,12
Este resultado debe interpretarse del siguiente modo: la probabilidad de

accidente en esa empresa es 0,12 (12%)
b) La probabilidad que el empleado estuviere trabajando en el sector 1

dado que tuvo un accidente será:
Vamos a aplicar la fórmula:
P( Ai ).P( B / Ai )
P( Ai / B) 
 P( Ai ).P( B / Ai )
0,50  0,10
P( S1 / A)  = 0,4167
(0,50  0,10)  (0,30  0,20)  (0,20  0,05)
c) La probabilidad que el empleado estuviere trabajando en el sector 2 dado

que tuvo un accidente será:
0,30  0,20
P( S2 / A)  = 0,50
(0,50  0,10)  (0,30  0,20)  (0,20  0,05)
d) La probabilidad que el empleado estuviere trabajando en el sector 3 dado

que tuvo un accidente será:
20
_____________________________________________________________________

0,20  0,05
P( S3 / A)  = 0,0833
(0,50  0,10)  (0,30  0,20)  (0,20  0,05)
Otro ejemplo del Teorema de Bayes
Un alumno analiza el comportamiento de los clientes que entran en la

cafetería de la facultad durante un periodo de tiempo razonablemente largo.
Como consecuencia de esa observación concluye que el 40% de ellos pide una
porción de tarta; pero de los que piden una porción de tarta, sólo un 30% piden
también un café. De los que no piden una porción de tarta, el 60% piden café.
Según esta información calcular las probabilidades siguientes:
a) Pedir un café
b) Si ha pedido café, ¿cuál es la probabilidad que también haya pedido una
porción de tarta?
c) Cual es la probabilidad de pedir tarta y café
d) Cuál es la probabilidad de pedir tarta o café
En este tipo de problemas, que se resuelven a partir del teorema de Bayes,

puede ayudar mucho a su resolución, la construcción de un “árbol de decisión”.
Para construir este árbol de decisión es fundamental identificar las probabilidades
simples, es decir, aquellas probabilidades que surgen de un evento simple.
En el ejercicio propuesto, el evento simple es “pedir una porción de tarta”,
al que llamaremos A. El evento “tomar café”, que identificaremos como B, está
condicionado al consumo de la tarta (insisto nuevamente que es la situación que
se da solo en el ejercicio propuesto). Se desprende del enunciado que:
P(A) = 0,40
P( ) = 0,60 (probabilidad de no pedir una porción de tarta)
P(B/A) = 0,30 (probabilidad de pedir un café, sabiendo que ha pedido tarta)
P(B/ ) = 0,60 (probabilidad de pedir un café, sabiendo que no ha pedido tarta)
21
_____________________________________________________________________

Con esta información podemos construir el árbol de probabilidades: en la primer
línea están las probabilidades simples y en la segunda, las probabilidades
condicionadas
Probabilidad de tomar café dado

(B/A) = 0,30 que ha pedido tarta
P(A)=0,40
Probabilidad de no tomar café dado
P( /A)=0,70 que ha pedido tarta
P(B/ ) = 0,60 Probabilidad de tomar café dado

que no ha pedido tarta
P( )=0,60 Probabilidad de no tomar café

P( / )= 0,40 dado que no ha pedido tarta
Calculemos ahora las siguientes probabilidades:

a) Pedir un café: este evento puede ocurrir ya sea que pide una porción de
torta o que no pide torta. En símbolos:
P(B) = P(AB) +P( B) Como son probabilidades conjuntas de eventos

dependientes, se aplica la regla de la multiplicación para estos tipos de eventos:
P(B) = P(A)xP(B/A) + P( )xP(B/ ) reemplazando
P(B) = 0,40 x 0,30 + 0,60 x 0,60 = 0,48
La probabilidad que un cliente entre a la cafetería y pida café es de 0,48
b) Si ha pedido café, ¿cuál es la probabilidad que también haya pedido

una porción de tarta?
En este caso, hay un evento que ya ha ocurrido y es el haber pedido café. Por
lo tanto, la probabilidad solicitada es:
P(A/B) = P(AB)/P(B)
P(A/B) = P(A)xP(B/A) / P(B)
22
_____________________________________________________________________

Obsérvese que el denominador es exactamente la probabilidad que hemos
encontrado en el ítem anterior
La probabilidad de que haya pedido una porción de tarta cuando también

ha pedido café, es 0,25
c) Cual es la probabilidad de pedir tarta y café
P(AB) = P(A)xP(B/A) = 0,40 x 0,30 = 0,12

La probabilidad de pedir tarta y café es 0,12
d) Cuál es la probabilidad de pedir tarta o café
P(AB) = P(A) + P(B) – P(AB)

P(AB) = 0,40 + 0,48 – 0,12 = 0,76
La probabilidad de pedir tarta 0 café es 0,76
Independencia de sucesos
Se dice que dos sucesos son independientes entre sí, si la ocurrencia de

uno de ellos no incide para nada a la ocurrencia del otro.
Por ejemplo: el suceso asistencia de los operarios de una fábrica y el color

del pelo son independientes: que un operario falte más o menos a su trabajo no
va a influir en el color de su cabello, ni viceversa.
Para que dos sucesos sean independientes tienen que verificar al menos una
de las siguientes condiciones:
23
_____________________________________________________________________

 P (B/A) = P (B) es decir, que la probabilidad de B, dado el suceso A, es
exactamente igual a la probabilidad de B.
 P (A/B) = P (A) es decir, que la probabilidad de A, dado el suceso B, es
exactamente igual a la probabilidad de A.
 P (A  B) = P (A) x P (B) es decir, que la probabilidad de que se de el
suceso conjunto A y B es exactamente igual a la probabilidad del suceso A
multiplicada por la probabilidad del suceso B.
Si el suceso A es independiente del suceso B, entonces el suceso B

también es independiente del suceso A.
Por lo tanto, si no se cumple ninguna de las tres condiciones señaladas:

los dos sucesos no son independientes, entonces decimos que existe algún
grado de dependencia o relación entre ellos.
Por ejemplo si analicemos dos sucesos: “A” la probabilidad de que haga

buen tiempo es del 0,4 y suceso “B” la probabilidad de salir cara al lanzar una
moneda es del 0,5, si tenemos que la intersección: la probabilidad de que haga
buen tiempo y que salga cara es 0,2, veamos si se cumple alguna de las
condiciones señaladas:
P( A  B) 0,2 P( A  B) 0,2
P( B / A)    0,5  P( B) P( A / B)    0,4  P( A)
P( A) 0,4 P( B) 0,5
P( A  B)  P( A).P( B)  0,5.0,4  0,2  Son sucesos independientes
No avance en la lectura si tiene alguna duda, utilice la PLATAFORMA

EDUCATIVA para comunicarse con su tutor.
Sigamos…
Retomemos la tabla de contingencia del módulo 2 y calculemos algunas

probabilidades a partir de ésta.
24
_____________________________________________________________________

El enunciado del problema planteaba considerar las ventas realizadas en
pesos durante 15 días por un mayorista de artículos varios para computación en
diferentes zonas de una ciudad. Estas ventas, según la zona y el tipo de artículo
vendido, han sido consignadas en fichas dentro de una base de datos y se han
volcado en la siguiente tabla de contingencias:
VENTA MAYORISTA DE ARTICULOS PARA COMPUTACIÓN (en

Zonas pesos)
Papelería Accesorios Repuestos TOTAL
A: Residencial 550 361 309 1220
B: Comercial 1250 420 330 2000
C: Industrial 930 529 721 2180
TOTAL 2730 1310 1360 5400
a) Determinar la probabilidad que una persona que vive en una zona

comercial realice una compra de artículos varios para computación.
Estamos ante el caso de hallar la probabilidad conjunta de pertenecer a la
zona B y comprar accesorios varios. Vemos que en la intersección de los dos
eventos se han vendido $ 420,-. Por lo tanto:
P(B  accesorios) = $ 420 / $ 5400 = 0,7778
b) Determinar la probabilidad de que una persona compre papelería y

pertenezca a una zona residencial:
P(papelería  A) = $ 550 / $ 5400 = 0,1018
c) Cuál es la probabilidad que al seleccionar la ficha de un cliente, éste

pertenezca a la zona industrial o compre papelería.
Es evidente que estos sucesos no son excluyentes ya que se conoce el valor
de P(C y papelería), por lo tanto la regla a utilizar es:
P(C  papelería )  P(C)  P( papelería )  P(C  papelería )
25
_____________________________________________________________________

2180 2730 930
P(C  papelería )     0,737
5400 5400 5400
d) Hallar la probabilidad que una persona que vive en la zona comercial

compre repuestos de computadora.
En este caso es una probabilidad condicionada pues ya sabemos que vive
en la zona comercial:
P(repuestos  B) 330 / 5400 330

P(repuestos / B)     0,165
P( B) 2000 / 5400 2000
e) Hallar la probabilidad que una persona que vive en la zona industrial

compre accesorios para computadora y verifique si esos sucesos son
independientes:
P(accesorios  C ) 529 / 5400 529
P(accesorios / C )     0,2426
P(C ) 2180 / 5400 2180
f) Veamos ahora como aplicar el teorema de Bayes. En este caso, el

suceso que se ha producido es la compra de papelería. Nos interesa
saber cuál es la probabilidad de que provenga de una de las tres zonas: la
residencial.
P( papelería / A) xP ( A)
P( A / papelería ) 
P( papelería / A) xP ( A)  P( papelería / B) xP ( B)  P( papelería / C ) xP (C )
550 1220

P( A / papelería )  1220 5400  0,201
550 1220 1250 2000 930 2180
    
1220 5400 2000 5400 2180 5400
26
_____________________________________________________________________

ACTIVIDAD DE APRENDIZAJE
¡No hay aprendizaje sin actividad! Responda las siguientes
consignas.
1. Defina espacio muestral. De al menos un ejemplo
2. ¿Qué implica en probabilidades, obtener un 1 como resultado
3. Cuándo dos eventos son mutuamente excluyentes. De un ejemplo
4. A qué se llama eventos independientes.
5. Qué requisito debe darse para que, dados dos eventos, se pueda calcular
una probabilidad condicionada.
6. Si dos eventos son independientes, ¿a qué es igual la probabilidad

conjunta de ambos?
27
_____________________________________________________________________

BIBLIOGRAFIA
1. BERENSON Mark y LEVINE David, Estadística Básica en Administración.

Conceptos y Aplicaciones. 6ª Edición. – Pearson -Prentice-Hall (2006)
2. VALIENTE, Stella Maris – PASCUAL, Mónica. “Temas de Estadística y
Probabilidades”. Edición de las autoras. Bs. As., Mar del Plata. 1999
3. MONTGOMERY, DOUGLAS –RUNGER, GEORGE C. "Probabilidad y
Estadística Aplicadas a la Ingeniería" (2ª. Ed) McGraw-Hill. 2003.
4. MILTON,J SUSAN & ARNOLD,JESSE C “Probabilidad Y Estadistica con
aplicaciones para ingeniería y ciencias computacionales”(Editorial McGraw-
Hill) (4ª edición - 2004).
5. WALPOLE-MYERS. “Probabilidad y Estadística " McGRAW-HILL. 1992

6. JAY. L. DEVORE “Probabilidad y Estadística para ingeniería y ciencias”
(Paraninfo)
7. MEYER, Paul L. "Probabilidad y Aplicaciones Estadísticas". De. Fondo
Educativo Interamericano. México. 1.986.
8. CRAMER, Harold. “Teoría de Probabilidades y Aplicaciones" De. Aguilar -
Madrid 1966
9. CRISTOFOLLI MARIA Y BELLIARD MATÍAS, Manual de Estadística con
Excel, Omicron System S.A. (2003)
10. FREEMAN, Howard G. " Introducción a la Teoría Matemática de las
Probabilidades y a la Estadística”. De. Mc. Graw-Hill. México. 1.993.
11. JORGE SUELDO/ÁNGEL VICENTE NIZIOLEK. “Módulos Probabilidad y
estadística”
28
_____________________________________________________________________

Unidad - 4 Probabilidades

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Unidad - 4 Probabilidades

Uploaded by

Copyright:

Available Formats

Jorge Sueldo/Ángel Vicente Niziolek

En esta unidad y para concluir con la tarea de plasmar los primeros

► Que el alumno luego de conocer los conceptos básicos de probabilidad, los

Lic. Mónica L. Pascual

Lic. Mónica L. Pascual

Iniciaremos el recorrido de la cuarta Unidad Didáctica. Le deseamos

Lic. Mónica L. Pascual

Desarrollo de los contenidos

Vamos a describir a la probabilidad como la posibilidad de ocurrencia

Por ejemplo: si tiramos un dado y se quiere conocer cual es la probabilidad de

El experimento tiene que ser aleatorio, es decir, que pueden presentarse

Espacio Muestral: es el conjunto de todos los resultados posibles de un

Suceso compuesto o evento: es un subconjunto del espacio muestral.

Lic. Mónica L. Pascual

Si definimos el evento A: al menos un art. es Bueno

A = {BBB, BBD, BDB, BDD, DBB, DBD, DDB}

En las carreras de caballos el “Batalla de Tucumán” es el premio más

Existen experimentos que no son aleatorios, razón por la cual no se les

Si un experimento consiste en lanzar una moneda al aire dos veces,

Espacio muestral; S = {1, 2, 3, 4, 5, 6}

Intersección de eventos: A  B  {1} es el conjunto de todos los

Unión de eventos: A  C  { 1, 3, 4, 5, 6} es el conjunto de todos los

Lic. Mónica L. Pascual

4.1.1.- Axiomas de Probabilidad:

Como hemos comentado anteriormente, la probabilidad mide la mayor o

Los resultados pueden expresarse en valores decimales o en tanto por

1º Axioma: P( )  0 Al suceso imposible (conjunto vacío) le corresponde el valor

2º Axioma: P(S )  1 El valor uno corresponde al suceso seguro: lanzamos un

Lic. Mónica L. Pascual

4.1.2.- Enfoque Clásico o de Laplace:

Uno de los métodos más utilizados define la probabilidad de un suceso

A la regla de Laplace también se le denomina "probabilidad a priori", ya

Veamos algunos ejemplos de probabilidad a priori:

a) La probabilidad de que al lanzar un dado salga el número 5: el caso favorable

b) La probabilidad de que al lanzar un dado salga un número impar: en este caso

Lic. Mónica L. Pascual

No olvide que los objetivos de cada Unidad guiarán su estudio

Existen dos requisitos para poder aplicar la Regla de Laplace que el

 El número de resultados posibles (sucesos) tiene que ser finito. Si

Lic. Mónica L. Pascual

En el caso que el experimento aleatorio no cumple los dos requisitos

Si repito el experimento de lanzar una moneda al aire un número elevado

En este modelo ya no será necesario que el número de soluciones sea

A esta definición de la probabilidad se le denomina “probabilidad a

Cuando el número de ensayos tiende

4.1.4.- Reglas de la Probabilidad

Al definir los sucesos hablamos de las diferentes relaciones que pueden

Lic. Mónica L. Pascual

Por ejemplo, si lanzamos un dado y analizamos dos sucesos: i) que salga

Podemos apreciar que la probabilidad del evento i), es menor que la

 Intersección de eventos (o evento conjunto): es aquel evento

Lic. Mónica L. Pascual

Su probabilidad será por tanto:

La probabilidad que ocurran los eventos A y B es de 0,333

 Unión de dos o más eventos: la probabilidad de la unión de dos eventos

Por ejemplo si lanzamos un dado al aire y analizamos dos sucesos: i) que

S(A) = {2,4,6} S(B) = {4,5,6} S(AB) = {4,6}

P( A  B)  (0,50  0,50)  0,3333  0,6667

La probabilidad que ocurran los eventos A o B es de 0,6667

 Eventos mutuamente excluyentes: dos eventos A y B son mutuamente

Lic. Mónica L. Pascual

Por ejemplo si lanzamos un dado al aire y analizamos dos eventos: i) que