Captulo 3: Elementos de Probabilidad

CAPTULO 3
ELEMENTOS DE PROBABILIDAD
La teora de la probabilidad sirve de fundamento de la estadstica y es esencial al
estudiar la teora de la inferencia estadstica. En la vida diaria raramente contamos con
toda la informacin para resolver un problema y surge entonces la necesidad de tomar
decisiones en condiciones de incertidumbre. Se puede tener incertidumbre con respecto a
la demanda de cierto producto, a la posibilidad de una huelga laboral, a la proporcin de
unidades defectuosas en cierto proceso de produccin, etctera, y la teora de la
probabilidad nos permite manejar esta incertidumbre de una manera racional y consistente.
En esta unidad se discutirn brevemente algunas ideas bsicas de la probabilidad,
iniciando con la definicin de algunos conceptos que manejaremos de aqu en adelante.

3.1

Espacio muestral y eventos

Consideremos el experimento de seleccionar una carta de una baraja, o de lanzar una

moneda y observar el resultado. Estos experimentos los llamaremos experimentos
aleatorios y son aquellas operaciones o procesos repetibles bajo condiciones estables y
cuyos resultados no se pueden predecir con certeza. Al conjunto de todos los posibles
resultados de un experimento aleatorio lo llamaremos espacio muestral, y lo denotaremos
por S.
Si el experimento aleatorio consiste en lanzar un dado, entonces el espacio muestral
puede describirse como
S = {1,2,3,4,5,6} ,
y si el experimento es medir el tiempo de duracin de una lmpara, podemos describir su
espacio muestral como
S = {x / x 0}.
Si seleccionamos cualquier subconjunto de un espacio muestral, tendremos lo que se
conoce como evento. Asi, en el lanzamiento de un dado legal, es decir no sesgado,
podemos definir eventos como los siguientes:

A = {1,3,5} ,

B = {2,4,6},

C = {5,6} .

Ahora, si tenemos un evento A, podemos definir el complemento de A, el cual

denotaremos por Ac , como el evento que ocurre si y slo si no ocurre A. Para el ejemplo
del lanzamiento del dado, el complemento del evento B, es B c = {1,3,5} .
Se pueden utilizar varios mtodos para combinar eventos y obtener nuevos eventos,
como se muestra con la unin y la interseccin de eventos.
La unin de dos eventos A y B, que se denota por A B , es el evento que ocurre si y
slo si A, o B, o ambos eventos ocurren.
_________________________________________________________________________________
Estadstica
41

Captulo 3: Elementos de Probabilidad

La interseccin de dos eventos A y B, que denotaremos por A B , es el evento que
ocurre si y slo si A y B ocurren.
Para que el complemento y la interseccin de eventos sea un evento, definimos al
conjunto vaco como el evento imposible y S como el evento seguro.
Dos eventos A y B, son mutuamente excluyentes o ajenos si A B = , esto es, si A
y B no tienen elementos en comn. En este caso, si uno de los dos eventos ocurre, el otro
no puede ocurrir.
Podemos generalizar las definiciones anteriores y obtener lo siguiente:
Si A1 , A2 ,..., An es una coleccin finita de eventos, entonces

n
i =1

Ai es el evento que

ocurre si y slo si al menos uno de los eventos Ai ocurre. Por otra parte,

n
i =1

Ai es el

evento que ocurre si y slo si todos los eventos Ai ocurren.

Decimos que A es un evento elemental si no se puede expresar como unin de otros
eventos.

3.2

Reglas bsicas de la probabilidad

Al iniciar el estudio de la probabilidad, muchas veces desconcierta que no se d

una definicin precisa, sino que se describan distintas maneras de interpretarla, como son
el enfoque clsico, el enfoque frecuentista y el enfoque subjetivo.
El enfoque clsico nos dice que si los resultados o eventos elementales de un
experimento son mutuamente excluyentes e igualmente probables, entonces podemos
calcular la probabilidad de un evento (an sin efectuar ensayos experimentales) utilizando
la siguiente ecuacin:
Probabilidad de un evento = Nmero de resultados favorables al evento
Nmero total de resultados del experimento

El enfoque frecuentista, por su parte, nos da el procedimiento siguiente para calcular

la probabilidad de un evento:
Probabilidad de un evento =

Nmero de veces que ocurre el evento en un

experimento que se repite un gran nmero de veces
Nmero total de realizaciones del experimento

As, si lanzamos una moneda repetidamente y contamos el nmero de guilas que

aparecen, la frecuencia relativa de las guilas tiende a estabilizarse en un valor definido, el
cual tomaremos como la probabilidad de obtener guila.
El enfoque subjetivo es aquel en que la probabilidad asignada a un evento
simplemente refleja el grado de confianza con que se cree que ocurrir el evento. En
muchos casos, la frecuencia relativa juega un rol importante en la evaluacin subjetiva.
Independientemente del enfoque que se utilice, a cada evento Ai , del espacio
muestral S, le asignaremos un nmero P ( Ai ) , llamado probabilidad de Ai , que satisface
las propiedades siguientes:
42

Gudelia Figueroa Preciado Marco Antonio Valencia Arvizu

Captulo 3: Elementos de Probabilidad

0 P( Ai ) 1 para toda i.
P( S ) = 1
Si Ai , A2 ,..., An son eventos que se excluyen mutuamente por pares, entonces
P

n
i =1

Ai = P( A1 ) + P( A2 ) + ... + P( An )

En particular, si adems de ser mutuamente excluyentes,

n
i =1

n
i =1

Ai = S entonces

P ( Ai ) = 1

Hasta el momento hemos anotado algunas propiedades que posee P ( A) , aunque no

hemos calculado ninguna probabilidad; tampoco lo necesitamos para establecer las
siguientes consecuencias, que se deducen de las propiedades anteriores.
i. Si es el evento imposible, entonces P () = 0 .
ii. Si Ac es el complemento de A, entonces P ( A) = 1 P ( Ac ) .
iii. Si A y B son dos eventos cualesquiera, entonces
P ( A B ) = P ( A) + P ( B ) P ( A B ) .
iv. Si A, B y C son tres eventos cualesquiera, entonces,

P ( A B C ) = P ( A) + P ( B ) + P (C ) P ( A B ) P ( A C ) P ( B C ) + P ( A B C )

v. Si A B , es decir, si todos los eventos elementales de A son eventos elementales

de B, entonces P ( A) P ( B ) .
Veamos ahora como calcular algunas probabilidades con el ejemplo siguiente. Se ha
observado que de las personas que llegan a un centro de donacin de sangre, uno de
cada tres tiene sangre tipo O positivo, uno de cada quince tiene sangre tipo O negativo,
uno de cada tres tiene A positivo y uno de cada diez y seis tiene A negativo. Definamos los
siguientes eventos:
A = {la persona tiene sangre tipo O positivo}
B = {la persona tiene sangre tipo O negativo}
C = {la persona tiene sangre tipo A positivo}
D = {la persona tiene sangre tipo A negativo}
Cul es la probabilidad de que la primera persona que se presente maana a donar
sangre tenga:
1) Tipo O positivo?

P(sangre tipo O positivo) = P(A) = 1/3

2) Tipo O?

P(sangre tipo O) = P(A) + P(B) = (1/3) +(1/15) = 6/15

3) Tipo A?

P(sangre tipo A) = P(C) + P(D) = (1/3) + (1/16) = 19/48

4) Tipo O positivo o A positivo?

P(O positivo o A positivo) = P(A) + P(C) = (1/3) +(1/3) =2/3.
_________________________________________________________________________________
Estadstica
43

Captulo 3: Elementos de Probabilidad

3.3 Tcnicas de conteo

Siguiendo el enfoque clsico, encontramos muchos problemas de probabilidad que

pueden solucionarse contando los elementos que pertenecen a los diferentes eventos
involucrados en el problema, pero hay ocasiones en que eso es difcil y se necesitan
algunas tcnicas para contar. Algunas de estas tcnicas son muy sencillas y claras, otras
requieren de un anlisis un poco ms detallado para su comprensin.
Iniciaremos la exposicin de estas tcnicas con el principio de multiplicacin, que nos
dice que si una primera operacin puede realizarse de n1 maneras, y una segunda
operacin se puede llevar a cabo de n2 maneras, entonces ambas operaciones (la
segunda inmediatamente despus de la primera) podrn realizarse de (n1 )(n2 ) formas
posibles. As, si podemos ir del lugar A al B de tres maneras posibles y de B a C por dos
caminos diferentes, entonces podremos ir de A a C de (3)(2) = 6 formas diferentes.
Del mismo modo podemos calcular cuntos nmeros pares de tres dgitos pueden
formarse con los dgitos 1, 2, 5, 7 y 9, si cada uno de ellos puede utilizarse una sola vez, y
esto sera (4)(3)(1) = 12 nmeros pares de tres dgitos.
Para las siguientes tcnicas de conteo utilizaremos la notacin factorial. El factorial
de un nmero entero positivo n, el cual denotaremos por n !, lo calculamos como
n(n 1)(n 2)...(3)(2)(1) . Para mantener las reglas de operacin de la multiplicacin y la
divisin, es necesario definir 1! = 1 y 0! = 1.
Supongamos que tenemos n objetos diferentes, de cuntas maneras podemos
permutar esos objetos? Pensemos en un ejemplo sencillo, donde solamente tengamos tres
objetos que denotaremos por a, b y c. Las distintas permutaciones que podemos hacer
con esos objetos son: abc, acb, bac, bca, cab y cba. Existen por lo tanto 6 maneras
posibles de permutar los tres objetos, esto es 3! formas posibles. De igual manera
podemos obtener que el nmero de permutaciones de n objetos diferentes est dado por
n! Denotaremos lo anterior por Pnn = n!
Si ahora tenemos n objetos diferentes y queremos permutar r de esos objetos, donde
o r n, lo indicaremos por Prn , y si pensamos lo anterior como una caja con r
compartimientos, observemos que el primer compartimiento lo podemos llenar de n
maneras, el siguiente de (n-1) maneras y as sucesivamente, hasta que el r-simo
compartimiento se llene de n-(r-1) formas. Si utilizamos el principio de la multiplicacin
tendremos n( n 1)( n 2)...( n r + 1) formas, y utilizando la notacin factorial, podemos
escribirlo como:

Prn =

n!
(n r )!

Por ejemplo, si deseamos determinar de cuantas maneras podemos permutar las

letras a, b, y c, tomando dos de ellas, tendremos P23 =

3!
= (3)(2) = 6 maneras
(3 2)!

diferentes, las cuales son ab, ba, ac, ca, bc, cb.
Cuando entre los n objetos se tiene que n1 son iguales, n2 son iguales y as,
sucesivamente, hasta nk iguales, entonces el nmero de permutaciones de los n objetos
estar dado por:
44

Gudelia Figueroa Preciado Marco Antonio Valencia Arvizu

Captulo 3: Elementos de Probabilidad

Pnn =

n!
n1!n2!...nk !

As, por ejemplo, si deseamos permutar las letras de la palabra coordenadas,

tendremos

P1111 =

11!
= 4989600
1!2!1!2!1!1!2!1!

pues la o, la d y la a, aparecen dos veces.

Existen ocasiones en que nos interesa el nmero de formas en que podemos elegir r
objetos de entre n, pero no nos interesa el orden en que se realiza la eleccin, as por
ejemplo, si deseamos elegir dos letras de entre las letras a, b y c, tendremos ab, ac, y bc,
pues como el orden no importa, ab=ba. Recordemos que en el caso de las permutaciones
de las letras anteriores, tomando dos de ellas, obtenamos seis permutaciones posibles,
entonces la frmula que deducimos para lo que llamaremos combinaciones de n objetos,
tomando r de ellos, y que denotamos por Crn , es Prn entre r!, o sea

Crn =

n!
(n r )!r!

Por ejemplo, de cuntas maneras se pueden elegir dos personas de entre cinco,
para formar un equipo? La respuesta es

C25 =

5!
(5)(4)
=
= 10
(5 2)!2!
2

maneras posibles.

EJERCICIOS
Cuntos nmeros de cuatro cifras pueden formarse con los dgitos
0,1,2,3,...,9, si
a) los nmeros pueden repetirse?
b) los nmeros no pueden repetirse?
En ningn caso podr el nmero empezar con 0.
3.3.2
Cuntos passwords diferentes se pueden formar con las letras del
abecedario, si consideramos un total de 27 letras y los passwords deben ser de 5 letras
diferentes?
3.3.3
Un banco de sangre tiene 10 unidades disponibles de sangre tipo A positivo,
de las cuales cuatro estn contaminadas con hepatitis. Se van a seleccionar tres unidades
para usarlas en tres pacientes.
a) De cuntas maneras se pueden escoger tres unidades de entre las 10?
b) De cuntas formas se pueden seleccionar tres unidades contaminadas?
c) Cul es la probabilidad de que los tres pacientes sean contagiados con
hepatitis?
3.3.1

_________________________________________________________________________________
Estadstica
45

Captulo 3: Elementos de Probabilidad

3.4 Probabilidad condicional

En ocasiones, nos puede interesar la probabilidad de ocurrencia de un evento cuando
ha sucedido o no un evento determinado. Para denotar estas situaciones, consideremos
dos eventos A y B; cuando escribimos P(A), calculamos la probabilidad del evento A con
respecto a un espacio muestral S. Si deseamos calcular la probabilidad de que ocurra A
con respecto a un espacio muestral reducido B, lo denotaremos por P(A/B) y lo leemos
probabilidad condicional de A dado B, calculndolo de la manera siguiente:

P( A / B ) =

P( A B )
,
P( B)

considerando que P(B) > 0.

Observemos, por ejemplo, la tabla siguiente que nos muestra una clasificacin del
equipo que se utiliza en cierta corporacin, el cual puede estar en servicio o bajo
reparacin; puede ser de mucho uso, uso moderado o poco uso.
En servicio
Bajo reparacin
Total

Mucho uso
12
8
20

Uso moderado
18
6
24

Poco uso
10
2
12

Total
40
16
56

a) Encontrar la probabilidad de que al seleccionar una pieza de equipo, sta sea de

mucho uso dado que se encuentra en servicio. Para esto definamos:
A = {la pieza es de mucho uso},
B = {la pieza est en servicio}.
Deseamos entonces calcular la P(A/B), que obtenemos como:

P( A / B) =

P( A B) 12 / 56 12
=
=
= 0 .3
P( B)
40 / 56 40

b) Encontrar la probabilidad de que la pieza est en reparacin, dado que es de uso

moderado. Definamos entonces:
C = {la pieza es de uso moderado},
D = {la pieza est en reparacin}.
Calculemos ahora P(D/C):

P( D / C ) =

46

P( D C )
6 / 56
=
= 0.25
P(C )
24 / 56

Gudelia Figueroa Preciado Marco Antonio Valencia Arvizu

Captulo 3: Elementos de Probabilidad

Consideremos ahora el ejemplo siguiente:

Se tienen cinco motores, de los cuales se sabe que uno es defectuoso. Se van a
seleccionar dos motores aleatoriamente, sin sustitucin. Encuentre la probabilidad de que
ambos motores sean no defectuosos.
Definamos entonces los eventos:
A = {el primer motor es no defectuoso},
B = {el segundo motor es no defectuoso}.
Queremos calcular P ( A B ), para lo cual escribimos

P( A B) = P( B / A) P( A) ;
sabemos que P(A) = 4/5, y que P(B/A) =3/4,
por lo que P ( A B ) = (3 / 4)(4 / 5) = 12/20=0.6.
Como se vio en este ejemplo, podemos utilizar la frmula de la probabilidad
condicional para calcular la probabilidad de la interseccin de dos eventos; esto es, si A y
B son dos eventos, entonces

P( A B) = P( B / A) P( A) ,
P ( A B ) = P( A / B) P ( B) .
Este resultado se conoce generalmente como teorema de multiplicacin de
probabilidades.

EJERCICIOS
3.4.1
En un estudio sobre las causas de fallas elctricas, se han obtenido los
siguientes datos: 5% de las fallas se deben a daos en el transformador, 80% son debidas
a lneas daadas y 1% involucra ambos problemas. Basado en estos porcentajes,
encuentre la probabilidad de que una falla elctrica se deba a:
a) Lneas daadas, dado que hay un dao en el transformador.
b) Transformador daado, dado que hay una lnea daada.
c) Transformador daado pero no lnea daada.
d) Transformador daado, dado que no hay lnea daada.
e) Transformador daado o lnea daada.

_________________________________________________________________________________
Estadstica
47

Captulo 3: Elementos de Probabilidad

3.5 Independencia
En ocasiones calculamos la probabilidad de que ocurra un evento A dado que ha
ocurrido otro evento B, y obtenemos que la ocurrencia de B no cambia la probabilidad de
ocurrencia de A. A este tipo de eventos se les conoce como independientes (o
estadsticamente independientes), y para ellos se cumple que

P( A B) = P( A) P( B) ,
por lo que

P( A / B) =

P( A B) P( A) P( B)
=
= P( A) ,
P( B)
P( B)

es decir, la probabilidad condicional de que ocurra A es la misma que la probabilidad no

condicional de A. En forma anloga, es fcil ver que si A y B son independientes, entonces
P(B/A) = P(B).
No debemos confundir la expresin eventos independientes, con eventos
mutuamente excluyentes.
Dos eventos A y B, son mutuamente excluyentes si
A B = . Esto es, son eventos que no pueden ocurrir en forma simultnea. Es fcil ver
que si P(A) 0 y P(B) 0, decir que A y B son independientes implica que no son
mutuamente excluyentes, pues P ( A B ) = P ( A) P ( B ) 0 . Si, nuevamente, P(A) 0 y
P(B) 0, y si A y B son mutuamente excluyentes, entonces A B = y P ( A B ) = 0 ,
pero como P(A)P(B) 0, entonces no son independientes.
El concepto de independencia se puede generalizar para el caso de tres eventos A, B
y C, los cuales se dicen independientes si y slo si:

P( A B) = P( A) P( B)
P( B C ) = P( B) P(C )
P( A C ) = P( A) P(C )
P( A B C ) = P( A) P( B) P(C ) .

Consideremos el ejemplo siguiente para ilustrar el concepto de independencia de

eventos.
Estudios en gentica de poblaciones indican que 39% de los genes disponibles
para determinar el factor Rh de la sangre, son negativos. La sangre tipo Rh negativo
ocurre si y slo si el individuo tiene dos genes negativos. Si cada gen es heredado
independientemente de cada padre, cul es la probabilidad de seleccionar aleatoriamente
a un individuo con sangre tipo Rh negativa?
Si definimos los eventos
A = {el gen heredado del padre es negativo},
B = {el gen heredado de la madre es negativo},
lo que estamos buscando es P ( A B ) , la cual obtenemos mediante
P( A B) = P( A) P ( B) = (0.39)(0.39) = 0.15 ,
pues los eventos A y B son independientes.
48

Gudelia Figueroa Preciado Marco Antonio Valencia Arvizu

Captulo 3: Elementos de Probabilidad

EJERCICIOS
3.5.1
Si entre la poblacin de Estados Unidos, el 55% de las personas tiene
sobrepeso, 20% sufre de alta presin y 60% tienen sobrepeso o alta presin, el hecho que
una persona tenga sobrepeso es independiente del estado de su presin sangunea?
Haga los clculos necesarios para obtener la respuesta.
3.5.2
Considere un experimento donde se lanzan dos dados legales. Se definen
los eventos siguientes:
A = {la suma de los nmeros en los dados es 7}
B = {la suma de los nmeros en los dados es 10}
C = {cada dado muestra el mismo nmero}
Determine si los tres eventos son mutuamente excluyentes.

3.6 Teorema de Bayes

El tema en esta seccin es el resultado formulado por el reverendo Thomas Bayes
(1761), el cual permite calcular una probabilidad condicional, digamos P(A/B), cuando
P( A B) y P(B), no pueden calcularse fcilmente. Utilicemos el ejemplo siguiente para
deducir la regla de Bayes o teorema de Bayes.
En cierta enlatadora las lneas de ensamblado I, II y III, representan el 37%, el 42%
y el 21% de la produccin total, respectivamente. Si el 0.6% de las latas ensambladas en la
lnea I, son selladas inadecuadamente, mientras que los porcentajes correspondientes de
las lneas de ensamblaje II y III son 0.4% y 1.2%, respectivamente, cul es la probabilidad
de que una lata sellada en forma inadecuada, que se descubre en una inspeccin final,
provenga de la lnea de ensamblaje III?
Para resolver este problema definamos los siguientes eventos:
A = {la lata est sellada en forma inadecuada}
B 1 = {la lata proviene de la lnea de ensamblado I }
B 2 = {la lata proviene de la lnea de ensamblado II }
B 3 = {la lata proviene de la lnea de ensamblado III }.
Podemos asignar las probabilidades siguientes a los eventos anteriores:
P(B 1 ) = 0.37,
P(A/ B 1 ) = 0.006,

P(B 2 ) = 0.42,

P(A/ B 2 ) = 0.004,

P(B 3 ) = 0.21,

P(A/ B 3 ) = 0.012.

Entonces, la probabilidad de que la lata sea sellada en forma inadecuada es:

P(A) = P( A B1 ) + P ( A B2 ) + P( A B3 )
= P( B1 ) P( A / B1 ) + P( B2 ) P( A / B2 ) + P( B3 ) P( A / B3 )
= (0.37)(0.006) + (0.42)(0.004) + (0.21)(0.012) = 0.00642;
pero lo que en realidad buscamos es que la lata provenga de la lnea III dado que sali
defectuosa, y esa probabilidad la obtenemos as:
_________________________________________________________________________________
Estadstica
49

Captulo 3: Elementos de Probabilidad

P( B3 / A) =

P( B3 A)
(0.21)(0.012)
=
= 0.39
P( A)
(0.37)(0.006) + (0.42)(0.004) + (0.21)(0.012)

Como se puede ver, la regla de Bayes es relativamente simple, slo implica un tipo de
razonamiento a la inversa, esto es, del efecto a la causa.
En resumen, la regla de Bayes se aplica cuando A1 , A2 ,..., Ak son eventos tales que

A1 A2 ... Ak = S
Ai Aj = , para toda i j ,

esto es, los eventos forman una particin de S, y entonces, para cualquier evento
ES,

P( Aj / E ) =

P( Aj ) P ( E / Aj )
n
i =1

para j = 1,2,..., k .

P( Ai ) P( E / Ai )

EJERCICIOS
3.6.1
Dos mtodos A y B son utilizados para ensear ciertas tcnicas industriales.
El promedio de falla o error es de 20% para el mtodo A y 10% para el B. Como ensear
el mtodo B resulta ms caro que ensear el mtodo A, entonces B es utilizado slo el
30% de las veces (A es usado el otro 70%). Si a un trabajador le son enseadas estas
tcnicas por uno de los mtodos, pero falla al no aprenderlo correctamente, cul es la
probabilidad de que haya sido enseado con el mtodo A?
3.6.2
Los motores elctricos provenientes de dos lneas de produccin, se mezclan
al guardarlos en un almacn, el cual contiene igual nmero de motores de cada lnea. Los
motores son peridicamente muestreados del almacn y revisados. Se sabe que 10% de
los motores de la lnea I son defectuosos y que de la lnea II se tiene un 15% de
defectuosos. Si un motor es aleatoriamente seleccionado del almacn y se encuentra que
es defectuoso, cul es la probabilidad de que venga de la lnea I ?

50

Gudelia Figueroa Preciado Marco Antonio Valencia Arvizu