PROBABILIDAD

Se puede consultar un e-book en:

http://www.matematicasbachiller.com/temario/estadistica/es%20I/tema_01/indice.html
El clculo de probabilidades no forma parte de la Estadstica.
Es un captulo de la Matemtica pura.
La Estadstica es una materia de un campo ms amplio, el de la matemtica aplicada.
La razn de introducir el clculo de probabilidades, es porque se intenta explicar la estadstica con una base
matemtica y no puramente en forma descriptiva.
... es precisamente el clculo de probabilidades el que constituye la base matemtica de la Estadstica...
SUCESOS NECESARIOS Y SUCESOS ALEATORIOS
Los SUCESOS NECESARIOS son los que fatalmente deben ocurrir.
Estn sujetos a leyes naturales que hacen que frente a un suceso, se puede predecir la ocurrencia de su resultado.
Por ejemplo:
la manzana que cae del rbol
el agua que hierve a los 100 grados
la fecha en que ocurrir un eclipse
la muerte, como suceso que fatalmente ocurre.
Los SUCESOS ALEATORIOS se caracterizan porque, en situaciones idnticas, admiten distintos resultados posibles,
y no se tienen elementos de juicio suficientes para predecir cual de ellos ocurrir ante una determinada realizacin.
Por ejemplo:
arrojar una moneda;
arrojar un dado;
sacar una carta;
resultado de una jugada de ruleta
Su resultado no puede ser predicho en forma categrica.
Tambin:

estimar la demanda, para planificar la produccin

los resultados de sucesivas pruebas de laboratorio para obtener una vacuna
estimacin de los volmenes de la demanda, produccin, precios, para la estructuracin de
un plan econmico.

SUCESOS ALEATORIOS Y EXPERIMENTOS ALEATORIOS

En los SUCESOS ALEATORIOS se realiza la OBSERVACIN de hechos que ocurren en la naturaleza, la economa
o en cualquier otra actividad humana.
Tales observaciones proporcionan el material informativo que se ha de analizar, por ejemplo: plan de produccin, plan
econmico, etc.
En los experimentos aleatorios, es posible obtener la informacin mediante ensayos debidamente planificados que
cubren un conjunto de posibilidades de la variable causas y se pueden apreciar las repercusiones sobre los
efectos.
En estos casos tambin es posible efectuar las reiteraciones (repeticiones) que sean necesarias para minimizar los
errores propios de los mtodos muestrales, (ejemplo: repeticin de ensayos para obtener una vacuna).
En los casos del plan de produccin, planificacin de la produccin, elaborar plan econmico es poco frecuente que
se pueda disponer la realizacin de experimentos aleatorios organizados sistemticamente.
En estos casos es necesario reunir la informacin disponible y de su anlisis obtener las conclusiones buscadas.
EXPERIMENTO:
En estadstica, se utiliza el trmino experimento para describir cualquier acto que puede repetirse en igualdad de
condiciones.
Al arrojar una moneda es imposible saber, antes de realizar la prueba, qu saldr en una tirada determinada, pero s
se puede confeccionar una lista con un conjunto de resultados que pueden ser cara ceca.
Cada uno de los resultados es un EVENTO SIMPLE.

EVENTO SIMPLE:
Es el resultado de un experimento que no se puede descomponer en una combinacin de otros eventos.
Un conjunto S en el que se indiquen todos los posibles resultados de un experimento, se llama ESPACIO
MUESTRAL.
S=[C,C]
o bien
S=[0,1]
Cualquier subconjunto de S se denomina EVENTO.
PARA RESUMIR, podemos decir:

En los SUCESOS NECESARIOS, se puede predecir su resultado.

En los SUCESOS ALEATORIOS, no se puede predecir su resultado.

Pero, en este ltimo caso, puede CALCULARSE una cierta probabilidad que UN DETERMINADO RESULTADO
OCURRA.
Mediante la Teora de las Probabilidades se procura identificar con un nmero el grado de probabilidad de que se
presente un determinado suceso.
Es decir, ...llamaremos PROBABILIDAD a la posibilidad de ocurrencia de un determinado SUCESO
ALEATORIO... ...y trataremos de evaluar esa POSIBILIDAD mediante UN NUMERO.
Es decir, a probabilidad mide la frecuencia con la que aparece un resultado determinado cuando se realiza un
experimento.
Ejemplo: tiramos un dado al aire y queremos saber cual es la probabilidad de que salga un 2, o que salga un nmero
par, o que salga un nmero menor que 4.
El experimento tiene que ser aleatorio, es decir, que pueden presentarse diversos resultados, dentro de un conjunto
posible de soluciones, y esto an realizando el experimento en las mismas condiciones. Por lo tanto, a priori no se
conoce cual de los resultados se va a presentar:
Hay experimentos que no son aleatorios y por lo tanto no se les puede aplicar las reglas de la probabilidad.
Ejemplo: en lugar de tirar la moneda al aire, directamente seleccionamos la cara. Aqu no podemos hablar de
probabilidades, sino que ha sido un resultado determinado por uno mismo.
TRES ENFOQUES DE LA PROBABILIDAD: (clsico, emprico, subjetivo)
ENFOQUE CLSICO
Se utiliza cuando el espacio muestral tiene RESULTADOS IGUALMENTE PROBABLES (juegos de azar).
Se basa en el conocimiento a priori del proceso en estudio.
Se desarroll alrededor del estudio de los juegos de azar, donde se conoce de antemano todos los posibles
resultados.
EL ENFOQUE CLSICO DE LA PROBABILIDAD
Al hablar de probabilidad, nos estamos refiriendo siempre a SUCESOS ALEATORIOS (aquellos cuya ocurrencia no
puede ser predicha en forma categrica)
CONCEPTO DE PROBABILIDAD (Laplace - 1814)
La probabilidad de que ocurra un suceso aleatorio A, es igual al cociente entre el nmero de casos favorables a
dicho suceso, y el nmero total de casos posibles, cuando todos los casos son igualmente posibles.
Por lo tanto, la probabilidad de A, ser:
Donde:

P(A) =

(A)
N

A: suceso aleatorio
(A): nmero de casos favorables al suceso aleatorio
(a): nmero de casos contrarios desfavorables
N = (A) + (a) = nmero total de casos posibles

CARACTERSTICAS DE LA PROBABILIDAD
1. Es una fraccin propia (un nmero comprendido entre 0 y 1)

2. Su campo de variacin es: [ 0 < P(A) < 1 ]

CERO: cuando el nmero de casos favorables sea cero, esto denota IMPOSIBILIDAD de ocurrencia del
suceso
UNO: cuando TODOS los casos posibles son tambin favorables, esto denota CERTEZA de ocurrencia del
suceso
NUNCA es superior a la UNIDAD ya que el nmero de casos favorables no puede ser superior al nmero de casos
posibles.
Los casos limites (0 y 1) no configuran una probabilidad, ya que no se puede hablar de SUCESOS ALEATORIOS
cuando los mismos son totalmente IMPOSIBLES o totalmente CIERTOS
Un valor de probabilidad muy cercano a CERO indica un suceso de muy difcil aparicin.
Un valor de probabilidad muy cercano a UNO indica un suceso de muy posible aparicin.

CONDICIONES DE LA DEFINICIN CLSICA DE PROBABILIDAD DE LAPLACE

Consideremos algunas condiciones impuestas a la definicin, para que sta sea aplicable.
1. Todos los N casos deben ser igualmente posibles. No debe existir alguno de los N casos que tenga ms
posibilidad de ocurrir, que cualquier otro. (Moneda y dado honestos). Esto se denomina SIMETRA DE LOS
SUCESOS
2. Los N casos posibles, deben ser MUTUAMENTE EXCLUYENTES (incompatibles). No pueden suceder que
un mismo caso ocurra de varias maneras al mismo tiempo (cara y ceca al mismo tiempo)
3. Los N casos posibles deben constituir un CONJUNTO COMPLETO (Espacio muestral). Esto equivale a decir
que los casos posibles son N y no existe ninguno ms. Se excluye toda posibilidad de que no se encuentren
dentro de los N casos posibles.
Dentro de las condiciones planteadas, la ms atacada es la primera,
... todos los casos deben ser igualmente POSIBLES...

porque no siempre es fcil determinar el nmero de casos posibles,

porque decir que todos los casos deben ser igualmente POSIBLES es una manera de eludir la afirmacin:
...todos los casos deben ser igualmente PROBABLES... es decir, que todos los casos tienen la misma
probabilidad de ocurrir

Esto constituye una TAUTOLOGIA: incluir en la definicin el trmino que se desea definir. (Crculo vicioso)
Pero a pesar de todos los defectos de la definicin clsica, que han motivado que hoy se la haya dejado de lado
como definicin de probabilidad, nos ha servido como regla prctica para el clculo de probabilidades.
Volvamos a la simbologa de la frmula clsica de probabilidad:

( A) + ( a ) = N
Probabilidad que ocurra el suceso "A" y su contrario "a"
P ( A) =

( A)

P (a) =

P ( A) + P ( a ) =

( A)
N

(a)
N

(a )

N
( A) + ( a )
N

N
N

=1

Es decir, la probabilidad de A ms la probabilidad de su contrario es igual a la unidad, es decir, la CERTEZA, ya que

necesariamente uno de los dos sucesos se va a producir. (A y a son colectivamente exhaustivos)
A la probabilidad de A, habitualmente se la simboliza con p
y a la probabilidad de a, (su contraria) se la simboliza con q
Por lo tanto: p + q = 1 ; p = 1 - q y q = 1 - p
Es necesario conocer estas relaciones, pues a veces es ms fcil calcular la probabilidad contraria a la aparicin de
un suceso, y despus por diferencia con la unidad, encontrar la probabilidad favorable buscada.

ENFOQUE EMPRICO (frecuencias relativas - corriente moderna)

Considera la frecuencia (relativa) de ocurrencia de un determinado suceso con respecto a un gran nmero de
ensayos repetidos
Se basa en la informacin previamente obtenida (datos histricos).
Se basa en la frecuencia con que se ha obtenido determinado resultado en un gran nmero de pruebas o ensayos,
todos ellos repetidos en las mismas condiciones.
En este caso es necesario tener en cuenta que:
la probabilidad obtenida, es una estimacin de su valor real,
cuanto mayor es el nmero de ensayos, mejor ser dicha estimacin,
la probabilidad as obtenida es vlida en un conjunto de condiciones idnticas a aqullas en las que
se obtuvieron los datos.

EL CRITERIO DE LA FRECUENCIA RELATIVA (Carro)

Este criterio dice:
Si N es una cantidad numerosa de observaciones de una variable, y f es el conjunto de observaciones
pertenecientes a una misma categora, adptase como valor numrico de la probabilidad de obtener una observacin
perteneciente a esa categora, en el conjunto de observaciones de la variable, a la frecuencia relativa a la larga de
las observaciones que pertenecen a una categora dada.
Este criterio no suministra un conocimiento exacto del valor numrico de la probabilidad, sino que nos da un valor
aproximado del mismo.
Para tener una idea de este criterio, tomemos una clase abierta, como la que genera una moneda al tirarse al aire
muchas veces. Consideramos el evento CARA.
Realizamos 10 tiradas y por ejemplo obtenemos 3 caras: ser f = 3/10 = 0,30
Realizamos 10 tiradas ms y obtenemos 4 caras: ser f = 7/20 = 0,35
Realizamos 10 tiradas ms y obtenemos 9 caras: ser f =16/30 = 0,53
Es fcil notar que este cociente f (frecuencia relativa) tiene como lmites el CERO y la UNIDAD, segn el suceso
CARA no aparezca ninguna vez o bien que aparezca en todas las tiradas.
Tambin es fcil advertir que la frecuencia relativa es una fraccin propia, pues su valor no puede ser NEGATIVO ni
tampoco MAYOR que la UNIDAD ( 0 < f < 1)
Empricamente se demuestra que esta frecuencia relativa f tiende a estabilizarse alrededor de un nmero constante
p a medida que crece el nmero de ensayos N.
Cuando N tiende a infinito, p es el lmite de la probabilidad de la serie de tiradas.
Este hecho emprico permite adoptar la frecuencia relativa, a la larga, como el valor numrico ms fidedigno de la
probabilidad.
La diferencia entre la PROBABILIDAD y la FRECUENCIA RELATIVA, es que la primera es a priori y siempre resulta
una constante, mientras que la segunda es obtenida a posteriori de los ensayos, y es una cantidad variable, que
tiende a la probabilidad a medida que el nmero de pruebas crece.
1
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0
1

10

11

12

Numero de casos
Frecuencia relativa

Probabilidad constante

Principio de estabilidad de la Frecuencia Relativa

Todos los valores de la FRECUENCIA RELATIVA tienden a estabilizarse alrededor de una cantidad determinada
cuando el nmero de pruebas crece.
Este valor al que tiende la frecuencia relativa, es lo que llamamos PROBABILIDAD.
Cuanto ms grande es el nmero de pruebas, se reduce la diferencia entre la FRECUENCIA RELATIVA
PROBABILIDAD. (Ley de los grandes nmeros)

y la

Esto ltimo tiene gran importancia, dado que en Estadstica, la mayora de las veces se trabaja con frecuencias
relativas y no con probabilidades a priori.
La importancia de la LEY DE LOS GRANDES NMEROS radica en que, cuando el nmero de individuos analizados
es lo suficientemente grande, tiende a darnos un ENLACE con la Teora de la Probabilidad.
Una escuela moderna (Von Mises) define a la probabilidad como el lmite al que tiende la frecuencia relativa cuando
el nmero de pruebas tiende a infinito.

ENFOQUE SUBJETIVO
Utiliza estimaciones personales de la probabilidad, basadas en el grado de confianza del analista.
Es una evaluacin personal de la posibilidad de que ocurra un determinado suceso.
(Kazmier Pg. 74)
Tanto el enfoque clsico como el de la Frecuencia Relativa producen valores de probabilidad objetivos, en el sentido
que sealan la tasa relativa de ocurrencia de un evento a largo plazo.
El enfoque subjetivo es particularmente apropiado cuando slo existe una probabilidad de que el evento ocurra, y se
da el caso de que ocurra o no esa nica vez...
De acuerdo con el enfoque subjetivo, la probabilidad de un evento es el grado de confianza que una persona tiene de
que el evento ocurra, con base a toda la evidencia que tiene disponible.
Debido que el valor de probabilidad es un juicio personal, al enfoque subjetivo se lo llama tambin enfoque
personalista.
SUCESOS o EVENTOS (Stevenson y Berenson-Levine)
Los resultados de un experimento se conocen como SUCESOS ( o EVENTOS).
Experimento: Cualquier acto que puede repetirse en igualdad de condiciones.
SUCESO SIMPLE o ELEMENTAL
Es aqul que se puede describir con una caracterstica nica
Cada forma posible de un acontecimiento (sacar una carta de un mazo; arrojar un dado)
ESPACIO MUESTRAL
Es la coleccin o conjunto de todos los SUCESOS posibles de un experimento.
Experimento o muestra son trminos que se emplean indistintamente para hacer referencia al proceso de realizacin
de observaciones.
Si consideramos el conjunto de un mazo de cartas espaolas de 40 naipes el ESPACIO MUESTRAL est
conformado por las 40 cartas.
Dicho espacio muestral, est formado por diversos eventos, segn la forma en que sea clasificado, as tendremos:
por palo tendremos 4 eventos (oro, copa, espada, basto)
por nmero tendremos 10 eventos (1,2,...,7,10,11,12)
por figura tendremos 2 eventos (figura y no figura)
COMBINACIN DE SUCESOS ELEMENTALES
Se satisface con cualquiera de los sucesos elementales que lo satisfagan, por ejemplo: sacar un 5 consta de cuatro
sucesos elementales, pues el cinco puede ser de cada uno de los palos.
COMPLEMENTO de un SUCESO
Son todos los resultados del Espacio muestral que no forman parte del suceso considerado.
Si el suceso es ORO, sus complementos (No ORO), son los dems palos

SUCESOS CONJUNTOS o COMPATIBLES

Son los que pueden darse en forma simultnea.
Ello no implica que deban necesariamente darse en forma conjunta.
Son los sucesos que tienen dos ms caractersticas: REY DE ORO
Pero no todos los reyes son oros o todos los oros son reyes.
SUCESOS MUTUAMENTE EXCLUYENTES o INCOMPATIBLES Son aquellos que no tienen elementos en comn,
Son los que no pueden ocurrir al mismo tiempo (la ocurrencia de uno impide la del otro)
Son los que no pueden presentarse conjuntamente
Una carta puede ser de ORO o de ESPADA, pero no de ambos palos
SUCESOS COLECTIVAMENTE EXHAUSTIVOS Son aquellos que agotan todas las posibilidades.
Por lo menos uno de ellos debe ocurrir al realizarse un experimento.
Cuando no es posible obtener otro resultado que alguno de ellos, para el caso de un determinado experimento.
Por ejemplo: al sacar una carta, necesariamente ser: Oro, Copa, Espada, Basto.
Es decir, los sucesos ORO-COPA-ESPADA-BASTO son colectivamente exhaustivos pues agotan todas las
posibilidades. Adems son MUTUAMENTE EXCLUYENTES:
ninguno de ellos es ambos a la vez
y todos ellos sern uno otro
DISTINTAS FORMAS DE CONTEMPLAR UN ESPACIO MUESTRAL
CLASIFICACIN DE LOS EVENTOS (Berenson-Levine)
Para clasificar eventos y determinar el Espacio Muestral se pueden utilizar distintos procedimientos prcticos:
(1 ) TABLA o DIAGRAMA de CONTINGENCIAS
Los casilleros del cuadro indican la cantidad (frecuencia) de aparicin de los eventos o sucesos.
Conociendo el total de los mrgenes, slo se necesita conocer un casillero, para obtener el resto.
Los mrgenes del diagrama contienen la cantidad de casos favorables a los SUCESOS EVENTOS SIMPLES.
Los casilleros internos contienen la cantidad de casos favorables a los SUCESOS CONJUNTOS o COMPATIBLES.
Vamos a usar como ejemplo un CUADRO DE CONTINGENCIAS de 2x2 para los sucesos A y B o bien para barajas,
(donde el suceso est referido a la aparicin de ORO):

B
b

A
(AB)
(Ab)
(A)

a
(aB)
(ab)
(a)

(B)
(b)
N

Figura
No Figura

Oros
3
7
10

No ORO
9
21
30

12
28
40

Los casilleros interiores del cuadro se refieren a eventos que comprenden dos o ms sucesos (As de oro, Rey de
copas, etc.)
Se trata de sucesos conjuntos (compatibles) y que pueden ocurrir en forma simultnea.
Los sucesos conjuntos se corresponden a los casilleros interiores del cuadro de contingencias o al espacio de
interseccin de dos sucesos dentro del diagrama de Venn.
A partir del Diagrama, se llega a distintas expresiones para determinar el nmero de casos favorables a la aparicin
de un determinado evento:
(A) = (AB) + (Ab)
y en forma general:
(A) = (AB1)+(AB2)+(AB3)+.....+(ABn)
Donde los Bi son sucesos o eventos mutuamente excluyentes (incompatibles) y colectivamente exhaustivos
(2) DIAGRAMA DE VENN
Es una representacin grfica de los sucesos en la que el espacio muestral est representado por un rectngulo y los
eventos que suceden en el espacio muestral se representan como partes de dicho rectngulo.

FIGURA
ORO
3
7

9
21

(3) DIAGRAMA DE RBOL

3 Figura de oro
FIGURA
10
ORO

no FIGURA
7 No figura de oro
9 Figura de no oro
FIGURA

no ORO
30

no FIGURA
21 No figura de no oro
PROBABILIDADES PARA EL CASO DE SUCESOS COMPATIBLES CONJUNTOS
Trabajando con el DIAGRAMA DE CONTINGENCIAS,
A
(AB)
(Ab)
(A)

B
b

a
(aB)
(ab)
(a)

(B)
(b)
N

Se pueden obtener:
PROBABILIDAD SIMPLE O MARGINAL (Berenson)
Corresponde a la probabilidad clsica. Corresponde a eventos simples.
Los mrgenes del cuadro indican las probabilidades de aparicin de eventos simple.
Considerando el suceso A, y aplicando el criterio de LAPLACE, podemos hacer:

P(A) =

(A) ( AB ) + ( Ab )
=
= P(AB) + P( Ab )
N
N

Donde B y b son mutuamente excluyentes.

Caso prctico:
Se tiran dos dados, se le solicita:
a) cul es la probabilidad de obtener 7 puntos?
b) cul es la probabilidad de obtener con cada dado 3 puntos como mximo?
c) cul es la probabilidad de obtener dos nmeros iguales?
Espacio muestral
1

1
2
3
4
5
6

(1,1)
(2,1)
(3,1)
...
...
...

(1,2)
(2,2)
(3,2)

(1,3) (1,4)
(2,3) (2,4)
(3,3) ...

(1,5)
(2,5)
...

(1,6)
(2,6)
...

Simplemente contando los sucesos que cumplen con la condicin, obtenemos:

6
, simplemente contando los sucesos que cumplen con la condicin
36
9
b) A=3 puntos mximo en cada dado P(A) =
36
6
c) A=2 nmeros iguales P(A) =
36

a) A=7 puntos

P(A) =

Si no podemos armar el espacio muestral, debemos determinar:

N = 6 2 = 36
y para a) especificar cules cumplen con la condicin

( A ) = (1, 6 ) o ( 2,5) o ( 3, 4 ) o ( 4,3) o ( 5, 2 ) o ( 6,1)

Lo mismo haremos para el resto de los incisos

PROBABILIDAD TOTAL - REGLA DE LA ADICIN (Berenson)
Se utiliza para determinar la probabilidad que ocurra uno de los dos sucesos aleatorios A B, sin importar si el otro
ocurre o no.
Esta regla se cumple tanto si ocurre el suceso A o el suceso B o ambos sucesos A y B
Con el cuadro de contingencia para A y B, se pueden escribir la cantidad de casos favorables a la aparicin del
suceso A o del suceso B:
(A B) = (aB) + (Ab) + (AB)
y tambin:
(A B) = (A) + (B) - (AB)
Si a estos valores los dividimos por el total de casos posibles N, (LAPLACE), tendremos las siguientes
probabilidades:
P(A B) = P(aB) + P(Ab) + P(AB)
y tambin:

P(A B) = P(A) + P(B) - P(AB)

Sucesos mutuamente excluyentes

En el caso de que los sucesos sean mutuamente excluyentes (incompatibles):
P(A B) = P(A) + P(B)

( ejemplo: probabilidad de ORO COPA)

En el caso de sucesos mutuamente excluyentes, no hay valores para los casilleros interiores del diagrama de
contingencias.
El siguiente es un caso de sucesos colectivamente exhaustivos:
P(F N) = 12/40 + 28/40 = 40/40

( ejemplo: probabilidad de FIGURA NMERO)

PARA QUE LOS ALUMNOS PIENSEN: Qu pasa con la P(AoBoC)?

Solucin:

P(AoBoC) =
=
=
=
=
=
P(AoBoC) =

(ABC) + (ABc) + (AbC) + (Abc) + (aBC) + (abC) + (aBc)

N
(ABC) + (ABc) + (AbC) + (Abc) (aBC) + (abC) (aBc)
+
+
N
N
N
(A) (aBC) + (abC) + (ABC) + (AbC) (ABC) (AbC) (aBc)
+
+
N
N
N
N
N
(A) (C) (A C) (aBc) + (ABC) + (ABc) + (aBC) (ABC) (ABc) (aBC)
+

N
N
N
N
N
N
N
(A) (C) (A C) (B) (A B ) (aBC) (A BC) (A BC)
+

+
N
N
N
N
N
N
N
N
(A) (C) (A C) (B) (A B ) (BC ) (A BC)
+

+
N
N
N
N
N
N
N
(A) (B) (C) (A B ) (A C) (BC ) (A BC)
+
+

+
N
N
N
N
N
N
N

B
(A)
b

(Ab)

N
B

(ABC)

(ABc)

(AbC)

c
C

(Abc)

(aBc)

(abC)

(abc)

(AB)

(aB)

(a)
b
(ab)

(aBC)

PROBABILIDAD COMPUESTA REGLA DE LA MULTIPLICACIN

Aqu se trata tambin de dos sucesos aleatorios, A y B pero en este caso interesa conocer la probabilidad que
estos sucesos se presenten en forma simultnea (conjunta).
Considerando los datos del Diagrama de Contingencia y aplicando el criterio de LAPLACE, tendremos:

P(AB) =

(AB) (A) (AB)

(AB) (B) (AB)
=
= P(A) P B o tambin: P(BA) =
=
= P(B) P A
( A)
( B)
N
N (A)
N
N (B)

Estas expresiones dicen:

La probabilidad de que se presenten en forma simultnea dos sucesos aleatorios A y B es igual a la
probabilidad de que se presente uno de ellos, multiplicada por la probabilidad del otro suceso, condicionada
a que se haya producido el primero.
Las expresiones anteriores son aplicables para sucesos aleatorios compatibles y dependientes
La probabilidad de uno de ellos est dependiendo de la aparicin previa del otro suceso.
Por esta razn, al segundo factor se lo denomina: PROBABILIDAD CONDICIONAL
Si los sucesos fueran independientes, desaparece el condicionamiento, y las expresiones quedaran de la
siguiente forma: P(AB) = P(A) P(B) o tambin: P(BA) = P(B) P(A)

Adems se puede apreciar lo siguiente:

P(AB) =

(AB)
= P(BA)
N

PROBABILIDAD CONDICIONAL
Es la probabilidad que se presente un suceso, dado que el otro evento ya se ha presentado.
Su expresin, de acuerdo a lo visto en la Probabilidad Compuesta, es:

P( B

(AB)
(A)

Esta expresin indica la probabilidad que se presente B si es que el suceso A se ha presentado previamente.
En el numerador se indican los casos favorables a la aparicin del suceso conjunto AB
En el denominador se indican la cantidad de casos favorables a la aparicin del suceso A ( entre los cuales se
encuentra el suceso AB
Por lo tanto (A) es el nmero total de casos posibles
El universo total (N), ha quedado restringido a los A, dentro de los cuales esta AB
El resultado del cociente es una fraccin propia, asimilable a la probabilidad, es decir:
0 < P(B/A) < 1
puesto que:

(AB) < (A) < N

En la probabilidad condicional, se han reducido el nmero total de casos posibles (N), considerando solamente
aquellos casos que resultan favorables al evento A
En consecuencia, sabiendo que A se produjo, se debe calcular la probabilidad que se haya producido
conjuntamente con el suceso B
Si en la expresin de la Probabilidad Condicional planteada ms arriba, dividimos el numerador y el denominador por
el total de casos posibles N, tenemos:

P( B

(AB)
(AB)
N = P(AB) = Probabilidad compuesta
=
=
(A)
(A)
P(A)
Probabilidad marginal
N

Entonces, la PROBABILIDAD CONDICIONAL puede obtenerse dividiendo la Probabilidad Conjunta que se desea
considerar por la Probabilidad. Marginal apropiada.
Continuando con el desarrollo, agregamos un ltimo cociente:

P( B

(AB)
P(AB)
(AB)
N = P(AB) =
=
=
(A)
(A)
P(A)
P(AB) + P(Ab)
N

P(B) P A
Llegando finalmente a la expresin general de la Probabilidad Condicional:

P( B

( B)

P(B) P A + P(B) P A

( B)

( B)

Y TAMBIN

Re cordando que : P( AB) = P( BA)

( AB)
( AB )
P( AB)
P ( AB)
P( A / B) =
= N =
=
( B)
( B)
P( B)
P( AB) + P(aB)
N
entonces

P( A / B) =

P( A) P( B / A)
P( A) P( B / A) + P(a ) P( B / a )

10

INDEPENDENCIA ESTADSTICA
En trminos de probabilidad, dos sucesos aleatorios son Estadsticamente Independientes, cuando la
presentacin previa de uno de ellos no afecta a la probabilidad de presentacin del otro suceso.
Si el conocimiento previo de la ocurrencia de un suceso no afecta la probabilidad de ocurrencia del otro suceso, se
dice que estos sucesos son Estadsticamente Independientes (Berenson).
CONDICIN DE INDEPENDENCIA ESTADSTICA
Los sucesos A y B son estadsticamente independientes, s y slo s: P(B/A) = (PB) o bien: P(A/B) = (PA)
o tambin, por la Probabilidad Compuesta, para el caso de sucesos independiente, cuando: P(AB) = (PA) . P(B)
FORMAS DE REPRESENTAR LAS PROBABILIDADES
DIAGRAMA DE PROBABILIDADES
Si a cada casillero del DIAGRAMA DE CONTINGENCIAS se lo divide por el total de casos posibles (N), se obtiene el
Diagrama de Probabilidades siguiente:

B
b

A
P(AB)
P(Ab)
P(A)

a
P(aB)
P(ab)
P(a)

P(B)
P(b)
1

DIAGRAMAS DE RBOL DE PROBABILIDADES

Estos son tiles para ilustrar los posibles eventos asociados con observaciones o ensayos
(Kazmier, Pg. 78 lanzamiento de dos monedas)
(La secuencialidad estara indicando la posibilidad de eventos conjuntos)

secuenciales.

Las probabilidades al final de las ramas iniciales corresponden a las probabilidades marginales, mientras que las
colocadas al final de cada uno de las cuatro sub-ramas representan las probabilidades conjuntas para cada
combinacin
En los Diagramas de rbol, los sucesos conjuntos son los nudos correspondientes a la segunda prueba en
adelante.
BAYES (Toranzos)
El teorema se refiere a la asociacin de dos acontecimientos, cuando ellos estn ligados de tal manera, que la
realizacin de un acontecimiento supone, tambin, la realizacin de algunas de las posibilidades del segundo.
Consideremos el acontecimiento A y supongamos que para que se produzca A es indispensable que se haya
producido tambin uno y slo uno de los acontecimientos excluyentes B1, B2, ..Bi,Bn.
El teorema trata de responder la siguiente pregunta:
Suponiendo que se ha realizado A, qu probabilidad existe de que lo haya sido conjuntamente con un determinado
B, por ejemplo con Bi?
Esta pregunta tiene un esquema formal semejante al de esta otra:
Se ha producido un acontecimiento A y conocemos las posibles causas del mismo; qu probabilidad hay de que sea
una determinada, de estas causas, la que ha dado lugar a la realizacin de A?
Si bien las preguntas son formalmente anlogas, pueden diferir en el sentido que se d a la relacin entre el
acontecimiento A y los acontecimientos Bi ; en el teorema de BAYES, esa relacin no es necesariamente
determinante, en el sentido de causa a efecto, como lo es en la segunda pregunta, sino simplemente de
correspondencia en la realizacin, prescindiendo de la consideracin de si Bi es o no causa determinante de A.
Contina diciendo: supongamos conocidas las P(Bi) y las P(A/Bi) . O sea, que entonces se conocen las
probabilidades conjuntas de A con cada Bi , es decir, se conocen las P(ABi) y tambin P(A) y a que: P(A)=
P(AB1)+P(AB)++P(ABn)
Llega a la formula de Bayes, la que puede enunciarse de la siguiente manera:
Si la realizacin de un acontecimiento A depende necesariamente de que se produzca uno de los acontecimientos
excluyentes B1 , B2 , .., Bn, y se sabe que A se ha cumplido, la probabilidad para que sea uno determinado, por
ejemplo el Bi, el que se haya cumplido conjuntamente con A, est dada por la frmula:

11

P(Bi/A) =

P(BiA)
P(A)

P(BiA)
P(AB1 ) + ..... + P(ABn )

P(Bi) P(A/Bi)
P(B1 ) P(A/B1 ) + ......... + P(Bn ) P(A/Bn )

Ejercicio utilizado en clase como introduccin a Bayes

Se tienen dos bolilleros, el primero (B1) con 3 Azules y 2 Verdes y el segundo (B2) con 2 Azules y 1 Verde. El
experimento consiste en: 1 Seleccionar un bolillero y 2 sacar una bolilla. Se pide:
a) Construir el diagrama de rbol de probabilidades
b) Construir las tablas de probabilidades (LA DE CONTINGENCIA NO PARECE APROPIADA PORQUE SE
DEBERIA INVENTAR UN N Y NO TIENE MUCHO SENTIDO)
c) Si en la primera parte del experimento se selecciona al azar un el bolillero n 1 (B1), cul es la probabilidad
de que en la segunda parte del experimento se obtenga bolilla Azul (A)?
d) Calcular la probabilidad de obtener bolilla Azul ( A )
e) Si en la segunda parte del experimento result seleccionada una bolilla Azul, cul es la probabilidad de que
provenga del primer bolillero? Y su complementaria
f) Construir la tabla propuesta por Berenson.
PROPUESTA DE RESOLUCIN:
a) rbol de probabilidad
P(B1A)=P(B1)P(A/B1)=1/2 x 3/5 = 3/10
P(B1)=1/2
P(B1V)=P(B1)P(V/B1)= x 2/5 = 2/10
1
P(B2A)=P(B2)P(A/B2) = x 2/3 = 2/6
P(B2)=1/2
P(B2V)=P(B2)P(V/B2) =1/2 x 1/3 = 1/6
b) Tablas:
Tabla de probabilidades
A

3/10

2/10

1/2

2/6

1/6

1/2

19/30

11/30

c) P(A/B1) = 3/5 Esta es una probabilidad condicional a priori

d) P(A) = P(AB1) + P(AB2) = P(B1) P(A/B1) + P(B2) P(A/B2) = 3/10 + 2/6 = 19/30 = 0.6333
e) P(B1/A) = (B1A) / (A) = P(B1A)/P(A) = (3/10) / (19/30) = 9/19 = 0.4737
Esta es una probabilidad condicional a posteriori. Se conoce el resultado de la segunda prueba y se pregunta sobre
el bolillero.
Complementaria: P(B2/A) = (B2A) / (A) = P(B2A)/P(A) = (2/6) / (19/30) = 10/19 = 0.5263
Tanto el inciso c) como el inciso e) son probabilidades condicionales, pero esta ltima es distinta de aquella.
A partir de la ecuacin del inciso e) se generaliza la frmula de Bayes: P(Bi/A) = P(BiA) / P(A)
Donde el denominador es la P(A) ya calculada en el inciso d) como suma de una serie de probabilidades compuestas
(conjuntas), una de las cuales es P(BiA)
f) Tabla de Berenson:
Bolilleros

Probabilidad

Probabilidad

Probabilidad

Probabilidad a posteriori

Bi

Marginal

Condicional

Conjunta

Bayes

P(Bi)

P(A/Bi)

P(BiA)

P(Bi/A)=P(BiA) / P(A)

B1

3/5

3/10

P(B1/A)=(3/10) / (19/30) = 9/19

B2

2/3

2/6

P(B2/A)=(2/6) / (19/30) = 10/19

P(A)=19/30

12

Aplicacin de todo lo visto a un caso prctico:

Siguiendo con el mismo ejemplo de los bolilleros, PERO CONSIDERANDO QUE AHORA COLOCO TODAS LAS
BOLILLAS EN UNA CAJA (Y DE ALGUNA FORMA DISTINGO LAS BOLILLAS PROVENIENTES DE CADA
BOLILLERO).
Podemos representar los datos con la siguiente TABLA DE CONTINGENCIA:
A= azul
3
2
5

B= bolillero 1
b= bolillero 2

a= verde
2
1
3

5
3
8

Con el siguiente DIAGRAMA DE VENN

Bolillero 1
Azul
3
2

1
Con el siguiente DIAGRAMA DE RBOL:

Azul

5
Bol. 1

Verde

Azul

8
Bol. 2

3
Verde

1
Se pueden calcular las siguientes probabilidades:
SIMPLES O MARGINALES O ELEMENTALES:

P(Bolilla azul) =

o tambin:

(Azul) 5 (Azul, bolillero1) + (Azul, bolillero 2) 3 + 2

= =
=
N
8
N
8

P(Bolillero 1) =

(Bolillero1) 5 (Bolillero1, azul) + (Bolillero1, verde) 3 + 2

= =
=
N
8
N
8

de la misma forma puede calcularse la probabilidad de sacar bollilla verde o de que provenga del bolillero 2,
respectivamente. TODAS ESTAS PROBABILIDADES SE OBSERVAN EN LA PERIFERIA DE LA SIGUIENTE
TABLA DE PROBABILIDADES:

B= bolillero 1
b= bolillero 2

A= azul
3/8
2/8
5/8

a= verde
2/8
1/8
3/8

5/8
3/8
1

13

TOTAL

P(Azul o Bolillero 1) =

(Azul) (Bolillero1) (Azul, Bolillero1) 5 5 3 7

+
= + - =
N
N
N
8 8 8 8

tambin puede calcularse por complementaria de la siguiente manera:

P(Azul o Bolillero 1) = 1 -

(Verde, Bolillero 2)
1 7
= 1- =
N
8 8

finalmente puede calcularse como:

P(Azul o Bolillero 1) =

(Azul, Bolillero1) (Verde, Bolillero1) (Azul, Bolillero 2) 3 2 2 7

+
+
= + + =
N
N
N
8 8 8 8

ESTA PROBABILIDAD SE OBSERVA, EN LOS DATOS INTERIORES DE LAS TABLAS DE CONTINGENCIA O DE

PROBABILIDAD (la respuesta es la suma de todas, sin incluir la de no-ocurrencia de los sucesos), TAMBIN EN LAS
RAMAS DEL RBOL Y EN LA UNIN DE LOS CONJUNTOS EN EL DIAGRAMA DE VENN.
COMPUESTA

P(Azul,Bolillero 1) =

(Azul, Bolillero1)
N

pero lo primero que se debe analizar es si se trata de sucesos dependiente o independientes, por lo tanto:

(Bolillero1, Azul) 3
=
Azul
(Azul)
5
(Bolillero1) 5
2) la comparo con su respectiva probabilidad MARGINAL: P(Bolillero1) =
=
N
8
1) calculo una probabilidad CONDICIONAL:

P( Bolillero1

3) comparo los resultados, como son DIFERENTES, deduzco que los sucesos son dependientes, entonces:

P(Azul,Bolillero 1) =

(Azul, Bolillero1)
5 3 3
= P(Azul) P Bolillero1
= * =
(
Azul )
N
8 5 8

ESTA PROBABILIDAD NO SE VISUALIZA CON DEMASIADA CLARIDAD EN NINGUNA DE LAS HERRAMIENTAS

ANTERIORES, CONSIDERANDO QUE ES EL PRIMER CUADRADO DE LAS PROBABILIDADES CONJUNTAS DE
LA TABLA DE CONTINGENCIA; LA PRIMER RAMA FINAL DEL RBOL Y LA INTERSECCIN DEL DIAGRAMA DE
VENN.
BAYES
Siguiendo el mismo enunciado: Si en la segunda parte del experimento result seleccionada una bolilla Azul, cul es
la probabilidad de que provenga del primer bolillero?

P( Bolillero1

Azul

3
(Bolillero1, Azul)
3
=
= 8 = = 0.60 , por supuesto es mayor que la anterior por la incidencia que
5
(Azul)
5
8

sugiere tener un nico depsito ( en este caso la caja).

14

EN CONCLUSIN LAS FRMULAS RELACIONADAS CON EL TEMA PROBABILIDADES SE RESUME DE LA

SIGUIENTE MANERA:

A evento o suceso analizado y

a no ocurrencia del evento

( A ) cantidad de individuos favorables al evento o suceso analizado

( a ) cantidad de individuos no favorables al evento o suceso analizado
N cantidad de individuos posibles
Probabilidad simple o elemental o marginal:
(A)
(a)
(A) (a) (A) + (a) N
y P(a) =
P(A) + P(a) =
+
=
= =1
N
N
N
N
N
N
Probabilidad de sucesos combinados;
P(A) =

TOTAL
(AB) (AB) + (Ab) + (aB)
=
= P(AB) + P(Ab) + P(aB)
N
N
Tambin (mirando la tabla de contingencia de 2x2) :
P(AB) =

(AB) (A) + (B) - AB)

=
= P(A) + P(B) - P(AB)
N
N
COMPUESTA
P(AB) =

(AB) (A) (AB)

=

= P(A) P(B/A)
N
N (A)
(AB) (B) (AB)
tambin;
P(BA) =
=

= P(B) P(A/B)
N
N (B)
(AB)
entonces:
P(AB) =
= P(BA)
N
Probabilidad condicional:
P(A y B) = P(AB) =

(AB)
P(AB)
P(AB)
P(B) P(A/B)
(AB)
= P(B/A) = N =
=
=
(A)
(A)
P(A)
P(AB) + P(Ab) P(B) P(A/B) + P(b) P(A/b)
N
P(AB)
P(AB)
P(A) P(B/A)
Lo mismo se puede hacer para: P(A/B) =
=
=
P(B)
P(AB) + P(Ab) P(A) P(B/A) + P(a) P(B/a)
Independencia estadstica: P(B/A) = P(B)

o P(A/B) = P(A)

P(AB) = P(A) P(B)

15