Unidad 3: Introducción a las probabilidades

Unidad 3: Introducción a las probabilidades

1. Introducción
De acuerdo a lo estudiado en la Unidad 1, la Inferencia Estadística
comprende los métodos que permiten extrapolar los resultados de una
muestra aleatoria hacia la población de la cual fue extraída. Cuando se
observa sólo una muestra, aun cuando la misma sea adecuadamente re-
presentativa de la población por cuanto reproduce sus características
esenciales, el intento de extraer conclusiones acerca de la población se
realiza, no en un marco de certeza sino de incertidumbre cuantificable.
La Teoría de Probabilidad, rama de la matemática que modela fenó-
menos aleatorios, cuantifica esa incertidumbre en el proceso de estimación
de parámetros, permitiendo hacer afirmaciones en cuanto a precisión y
confiabilidad de los resultados. También permite probar hipótesis en rela-
ción con los parámetros, fijando la magnitud del error que puede cometerse
al tomar la decisión y constituye la base teórica de métodos estadísticos
tales como Regresión, Análisis de Varianza, Control de Calidad, entre
otros. Si bien dichas metodologías, tanto la estimación de parámetros
como la prueba de hipótesis las estudiaremos en Estadística II, a partir de
esta Unidad introduciremos los conceptos fundamentales y el lenguaje bá-
sico de Probabilidad.
En las explicaciones que se desarrollan en esta unidad se vislum-
brará de qué manera la Teoría de Probabilidad es en la actualidad la base
de la mayor parte de las decisiones que adoptan tanto los gobernantes
como administradores de empresa.

2. Fenómenos aleatorios versus determinísticos

En cualquier campo de la ciencia (física, biología, ingeniería, econo-
mía, etc.) se necesitan describir, modelar y predecir fenómenos del mundo
real, para lo cual se construyen modelos matemáticos. Cuando se quiere
elaborar un modelo matemático para explicar hechos reales, se distinguen
dos tipos de fenómenos o experimentos:

Fenómeno determinístico: es aquel fenómeno o experimento cuyo resul-

tado conocemos de antemano o podemos calcular con certeza, o sea que
se trataría de situaciones en las que se trabaja con certidumbre com-
pleta.

Pensemos en los siguientes ejemplos:

a) Arrojamos un vaso de vidrio desde el 5º piso de un edificio. El re- 141

sultado es: el vaso se rompe.
b) Colocamos a 100º C una pava con agua. El resultado es: el agua
hierve.
c) Colocamos un capital de $ 8.000 a una tasa de interés mensual del
1,8%. El resultado es: al cabo de 1 mes el monto final será $ 8.144
 Fenómeno aleatorio: es aquel fenómeno o experimento que, repetido bajo
las mismas condiciones, puede arrojar resultados diferentes y no es posi-
ble predecir con certeza cuál de ellos ha de darse; es decir, estamos frente
a fenómenos cuyo resultado es incierto.

Ejemplos de este tipo de fenómenos serían:

a) Lanzar un dado y observar el número que aparece en su cara su-

perior.
b) Lanzar una moneda 3 veces y observar la salida de cara o sello.
c) Seleccionar al azar una familia de la ciudad y registrar su ingreso
mensual.
d) Seleccionar al azar un elector y preguntar sobre su candidato favo-
rito.
e) Observar una casilla de peaje y computar la cantidad de vehículos
que pasan por hora.

Como podemos ver, en todos los ejemplos anteriores no es posible

predecir con certeza el resultado que observaremos. A modo de resumen,
los experimentos aleatorios reúnen las siguientes características:

• Consideramos únicamente aquellos experimentos que sean conce-

bibles bajo condiciones semejantes. Cada vez que realizamos el
experimento tenemos una prueba.
• Aunque no podemos indicar cuál será el resultado particular de una
prueba, podemos describir el conjunto de todos los resultados po-
sibles del experimento.
• Cuando el experimento se repite una gran cantidad de veces, los
resultados presentan regularidad estadística. En otras palabras, la
frecuencia relativa de aparición de los resultados, se aproxima a un
valor fijo constante al aumentar el número de pruebas.

La realidad casi nunca es totalmente predecible, por lo que la mayo-

ría de las situaciones a las que nos enfrentamos tienen resultados impre-
vistos y nos llevan a trabajar bajo incertidumbre. Pero podemos predecir
el resultado particular que se producirá y medir el riesgo asociado a esta
predicción, es decir determinar qué posibilidades hay de que dicho resul-
tado no sea el que se produce realmente como fruto del experimento.

Repaso de Algebra 3. Conceptos básicos de probabilidad

de Conjuntos está
en el Anexo 1 de esta
Unidad. La Teoría de Probabilidad utiliza la Teoría de Conjuntos para definir
muchos de sus conceptos básicos, por lo que le sugerimos leer el anexo
que está al final de esta unidad, que propone un repaso que consideramos
142 será de utilidad.

Recordemos que, en los fenómenos o experimentos aleatorios, si

bien no sabemos el resultado que ocurrirá en una prueba individual, sí po-
demos describir todos los posibles resultados del mismo.

El conjunto formado por todos los resultados posibles de un experimento aleatorio

es llamado espacio muestral y lo representaremos con la letra ..
 Unidad 3: Introducción a las probabilidades

Cada uno de los resultados elementales e indivisibles del experi-

mento, llamados puntos muestrales, se denota por ω. La cardinalidad de
 es la cantidad de puntos muestrales y se denota #. Suponiendo que
la experiencia arroja s resultados:
 = {ωi} i = 1, 2, …, s # = s

Consideremos el siguiente ejemplo:

Ejemplo 1
En el experimento de tirar una moneda una vez, sólo hay dos resul-
tados posibles:
 = {c,s}

Si se realizan dos tiradas, el espacio muestral es un conjunto for-

mado por cuatro duplas ordenadas. Cada dupla indica el orden en el que
aparecieron los lados de la moneda:

 = {(cc), (cs), (sc), (ss)} # = 22=4

Si se realizan tres tiradas, se obtendrán ocho ternas ordenadas:

 = {(ccc), (ccs), (csc), (css), (scc), (scs), (ssc), (sss)} # = 23=8

Como se advierte, el espacio muestral representa el conjunto de to-

dos los resultados de la experiencia. Si la moneda se arrojara 5 veces, el
mismo estará conformado por 25 puntos muestrales [# = 32]; por ejemplo,
uno de esos puntos sería la secuencia (cccss) que indica que en las pri-
meras tres tiradas aparecieron caras y en los restantes sellos.

Los espacios muestrales se pueden clasificar en discretos o con-

tinuos. En los discretos, los resultados pueden ser enumerados, por lo que
estarán en correspondencia con los números enteros. A su vez, se pueden
clasificar en finitos o infinitos. En los espacios muestrales continuos, en
cambio, los resultados no pueden ser enumerados, es decir son infinitos
no numerables; por lo que estará conformado por un intervalo de números
reales.

A continuación, tenemos ejemplos de espacios muestrales y su res-

pectiva clasificación:

a) Lanzar un dado y observar el número que aparece en su cara su-

perior.
 = 1, 2, 3, 4, 5, 6
Clasificación: Discreto (finito numerable).

b) Seleccionar al azar una familia de la ciudad y registrar su ingreso

mensual.
 = I / I  0
Clasificación: Continuo 143

c) Seleccionar al azar un elector y preguntar sobre su candidato favo-

rito.
 = candidato A, candidato B, ..., candidato N}
Clasificación: Discreto (finito numerable).
 d) Observar una casilla de peaje y computar la cantidad de vehículos
que pasan por hora.
 = 0, 1, 2, …
Clasificación: Discreto (infinito numerable).

Actividad 1:
A partir de los siguientes ejemplos describa el espacio muestral y clasifí-
quelo.

a) Mezclar un mazo de cartas españolas y seleccionar una para ob-

servar su palo.
b) Mezclar un mazo de cartas españolas y seleccionar una para ob-
servar su número.
c) Observar el número de automóviles que entran por día al estacio-
namiento de un shopping.
d) Observar el gasto mensual en libros de los alumnos de Estadística
e) Arrojar simultáneamente un dado y una moneda, y se observa el
resultado que aparece.

Actividad 2:
Piense en otros experimentos aleatorios, intente describir el espacio mues-
tral asociado y clasifíquelo según lo expresado más arriba.

Llamamos evento a cada subconjunto de resultados de un experimento

aleatorio. Lo designaremos con letras mayúsculas y tiene asociado una
medida de probabilidad.

Se trata de un concepto fundamental ya que es el que tiene asociado

de manera directa la noción de probabilidad. Los eventos son simples o
elementales cuando están constituidos por un solo elemento de  y se
refieren a un punto muestral; mientras que son compuestos cuando se
definen como la combinación de dos o más resultados del experimento
aleatorio.
Diremos que un evento ocurrió si al realizar el experimento se pre-
senta cualquiera de los puntos muestrales que lo componen.
Retomando el ejemplo de la tirada de una moneda dos veces, en el
que se observa cara o sello, determinamos que había cuatro resultados
posibles, pero podemos definir muchos eventos simples y compuestos a
partir de esos resultados.

Por ejemplo:

A = aparecen 2 caras = {(cc)}

Es un evento simple
144
B = aparece sólo 1 cara = {(cs), (sc)}
Es un evento compuesto

C = aparece el mismo resultado en ambas tiradas = {(cc), (ss)}

Es un evento compuesto

D = aparece cara o sello en cualquiera de las dos tiradas

 Unidad 3: Introducción a las probabilidades

D = {(cc), (cs), (sc), (ss)} =  es un evento compuesto

E = no aparece cara ni sello = 

Es un evento que no posee ningún elemento

Los sucesos D y E son casos particulares de eventos, el primero se

denomina evento cierto o seguro ya que seguramente sucede, mientras
que el segundo se denomina evento imposible (conjunto vacío) ya que no
puede suceder.
Los eventos A y B se denominan mutuamente excluyentes, porque
la ocurrencia de cualquiera de ellos elimina la ocurrencia del otro; es decir,
sólo uno de ellos puede ocurrir. En notación: A  B = 
Los eventos B y C se denominan colectivamente exhaustivos, ya
que entre ellos forman el espacio muestral. En notación: B  C = 

Actividad 3:
a) Defina eventos simples y compuestos a partir de los experimentos
aleatorios que pensó en la Actividad 2.
b) ¿Podría dar una definición de eventos mutuamente excluyentes?
¿Y de colectivamente exhaustivos?
c) ¿Se anima a plantear ejemplos de eventos ciertos, imposibles,
mutuamente excluyentes y colectivamente exhaustivos en los ex-
perimentos de la Actividad 2?

Actividad 4:
En la siguiente tabla se presentan los datos de producción de parcelas cla-
sificadas en tres niveles y cruzadas por zonas geográficas de la Provincia
de Córdoba, que se transcriben a continuación

Zona geográfica de la
Total
Nivel de producción Provincia
Zona "A" Zona "B" Zona "C"
Alto 69 47 23 139
Mediano 40 25 80 145
Bajo 38 32 36 106
Total 147 104 139 390

Considerando que se elige una parcela al azar, le proponemos que:

a) De un ejemplo de evento simple
b) De un ejemplo de evento compuesto
c) ¿Cuál es el complemento de la Zona A?
d) De un ejemplo de eventos mutuamente excluyentes

Si revisamos el último punto del repaso de álgebra de conjuntos

(Anexo 1) podríamos, en este experimento aleatorio, armar el Álgebra de
Sucesos o Familia de Eventos.

La Familia de Eventos es la colección completa de subconjuntos

que puedan definirse a partir del espacio muestral , siendo el número 145
total de subconjuntos 2s donde s = #.1

1Cuando  es continuo, no es posible definir Ŧ de esa manera. (Hoel, 1971.

cap. 1).
 Lo simbolizaremos con Ŧ e incluirá el conjunto vacío, todos los sub-
conjuntos unitarios, los binarios, etc. y el propio .

En nuestro ejemplo:
Donde  = {(cc), (cs), (sc), (ss)} y # = 4, algunos de los 16 ele-
mentos de Ŧ son: {}, {(cc)}, {(cs)}, {(sc)}, {(ss)}, {(cc), (cs)}, {(cc),
(sc)}, {(cc), (ss)}, …

Cada uno de estos eventos tendrá asociada una probabilidad que sim-
bolizaremos con P, y al conjunto formado por el espacio muestral, la familia
de eventos y la probabilidad asociada a cada elemento de dicha familia lo
llamaremos Espacio de Probabilidad. Lo simbolizaremos con E.

E = , Ŧ, P

4. Enfoques para asignar probabilidades

Luego de haber trabajado los conceptos principales vinculados a ex-
perimentos aleatorios, llegamos a lo que seguramente es de mayor interés.
¿Cómo podemos determinar la probabilidad de que un resultado particular
ocurra, o de que ocurra una combinación de dos o más resultados?
Seguramente estamos algo familiarizados con el tema, porque en
más de una oportunidad escuchamos o leemos en los diarios expresiones
como:

Si bien no conocemos con exactitud la definición de probabilidad,

podríamos decir que una idea intuitiva indicaría que se trata de un número
entre 0 y 1 (aunque con frecuencia se la exprese en porcentajes) que mide
la posibilidad de que ocurra un suceso, siendo 0 cuando estamos seguros
de que no va a ocurrir y 1 cuando estamos seguros de que sí va a ocurrir.
Entre estos valores extremos, existe una gama de valores que debe-
146
ríamos asignar cuando estamos frente a situaciones de incertidumbre
respecto del resultado que va a ocurrir.
A fin de resolver estas situaciones, vamos a introducirnos en los dis-
tintos enfoques o métodos desarrollados para calcular la probabilidad de
un evento particular. La medición de probabilidad surgió con el enfoque
clásico, exclusivamente aplicado a los juegos de azar. Dada las limitacio-
nes que tiene este enfoque, con posterioridad se desarrolló el frecuentista.
 Unidad 3: Introducción a las probabilidades

Enfoque clásico

El experimento típico, y no por ello menos útil, para introducir este

método es el lanzamiento de un dado. En este caso los resultados posibles
que forman el espacio muestral, son:

 = 1, 2, 3, 4, 5, 6

Si el dado está balanceado, la probabilidad de cada uno de estos

resultados es 1/6, es decir todos los resultados son equiprobables. Supon-
gamos que definimos el evento:

A = aparece el número 3,

este evento tiene una probabilidad asociada de 1/6, lo que se simboliza:

P(A) = 1/6

Si expresamos este resultado mediante una fórmula, tendremos:

Casos favorables al evento A

P (A) =
Casos posibles de 

Para poder aplicar este método son necesarias dos condiciones:

• Conocer todos los resultados de , para poder identificar los que
son favorables al evento definido.
• Que todos esos resultados sean igualmente posibles.

Con este enfoque podemos también calcular probabilidades de even-

tos compuestos.

Ejemplos:

B = aparece un número par ; B = 2, 4, 6 P(B) = 3/6

C = aparece un número  2 ; C = 2, 3, 4, 5, 6 P(C) = 5/6
D = aparece un número  8 ; D = 1, 2, 3, 4, 5, 6 P(D) = 1
E = aparece un número  10 ; E =  P(E) = 0

Este enfoque tiene una aplicación restringida a experimentos en los

que todos los resultados posibles son igualmente probables, tales como
los relacionados con los juegos de azar. Pero en numerosas situaciones
no es válido suponer la simetría de los resultados, por lo que deberemos
utilizar el enfoque frecuentista, que presentaremos a continuación.

Enfoque frecuentista

Este enfoque asigna probabilidades estimándola a través de la fre- 147

cuencia relativa.
 Por ejemplo, si una gran empresa desea conocer la probabilidad
de que una computadora adquirida a su proveedor venga con falla,
no podría utilizar el método clásico ya que los dos resultados posibles (falla
y no falla) no son igualmente probables. Lo que podría hacer es consultar
el registro de las últimas compras realizadas; si de las últimas 100 han
tenido falla 2, la frecuencia relativa 2/100 se aproximará a esa probabilidad.

Es decir, si un experimento se repite un número grande veces (n) y

denotamos con la letra m el número de veces que ocurrió el evento A, una
estimación de la probabilidad de A es:

m
P(A)=
n

Si en el lanzamiento del dado supiéramos que el mismo está cargado

(no todas las caras son igualmente probables) y deseáramos conocer la
probabilidad de que salga el número 3, podríamos hacer lanzamientos se-
guidos y anotar cuántas veces aparece el número 3. Si repetimos esta ac-
ción un número grande de veces, la frecuencia relativa de dicho resultado
se estabilizará alrededor de un valor que es una medida estimativa de su
probabilidad.

Actividad 5:
Si el 60% de 10 alumnos consultados de Estadística I está de acuerdo con
las condiciones de regularidad de la materia, ¿podría ese valor utilizarse
como una medida de probabilidad? ¿Por qué?

Ejemplo 2

Si contamos con la información de los alumnos de Estadística I cla-

sificados según sexo y procedencia, podríamos confeccionar una tabla de
doble entrada, o tabla de contingencia, como la que sigue:

Procedencia
Córdoba Otra provincia Total
Sexo
Varón 182 65 247
Mujer 290 55 345
Total 472 120 592

Si seleccionamos al alzar un alumno de Estadística I, ¿cuál será la

probabilidad de los siguientes eventos?

V = alumno varón
C = alumno que procede de Córdoba

En este ejemplo no corresponde utilizar el enfoque clásico para cal-

cular probabilidades porque los resultados no son igualmente probables,
148 utilizando el enfoque frecuentista, esas probabilidades son:

P (V) = 247/592 = 0,417

P (C) = 472/592 = 0,797

Estas probabilidades se denominan simples o marginales porque

se obtienen de los márgenes de la tabla de contingencia.
 Unidad 3: Introducción a las probabilidades

Método subjetivo

Si no es posible aplicar el método clásico, ni tampoco el método fre-

cuentista porque no resulta factible repetir el experimento un cierto número
de veces, se puede obtener la probabilidad de manera subjetiva. Se trata
de asignar un valor entre 0 y 1 como chance de ocurrencia de un evento
particular. Como su nombre lo indica, la estimación que utilicemos como
medida de probabilidad depende del criterio de quien asigna, varía según
la persona y no tiene ningún rigor científico; sólo involucra algo de sentido
común y la información disponible para definir ese valor.

Ejemplos de probabilidad subjetiva:

• La probabilidad que una empresa en particular entre en concurso

preventivo este año es de 0,15
• La probabilidad que Juan promocione esta materia es de 0,60
• La probabilidad que nuestro país acuerde con los acreedores ex-
ternos es de 0,50

En los ejemplos que veremos a continuación no utilizaremos este

método por las limitaciones que posee, lo cual no significa que no sea im-
portante y útil en campos como el de la Teoría de la Decisión.

Actividad 6:
Para cada uno de los casos que se plantean indique cuál es el enfoque de
probabilidad conveniente para determinar el valor de la probabilidad que
se quiere obtener, o el enfoque utilizado en los casos de probabilidades
que han sido calculadas.

Tenga en cuenta que el orden de preferencia para aplicar alguna Teoría,

es el que se utilizó en la presentación de las mismas.

a) ¿Cuál es la probabilidad que haya mayor desempleo el próximo

año?
b) Se lanza al aire un dado balanceado. ¿Cuál es la probabilidad que
salga un dos o un seis?
c) Se elige un punto al azar en un círculo. ¿Cuál es la probabilidad
que esté más cerca del centro que de la circunferencia?
d) De las personas que entran a un comercio, se elige al azar una de
ellas. ¿Cuál es la probabilidad que realice una compra?
e) De una muestra aleatoria de 400 empleados de una empresa, se
obtuvo que 80 de ellos habían pedido licencia por enfermedad por
lo menos una vez en el último año. Si se selecciona un empleado
al azar ¿Cuál es la probabilidad que haya pedido licencia por enfer-
medad en el último año?
f) Para el próximo año, ¿cuál es la probabilidad que el P.B.I. per cá-
pita aumente un 100%?
g) Se estima que la probabilidad de que un nuevo producto tenga éxito
es de ¼.
h) De un embarque de 100 artículos, donde hay 20 defectuosos, se 149
selecciona uno al azar. ¿Cuál es la probabilidad que resulte ser de-
fectuoso?
i) El gerente de compras de una empresa estima que la probabilidad
que un pedido llegue a tiempo es de 0,80.
j) La probabilidad de seleccionar un “oro” en un mazo de cartas es-
pañolas es 12/50.
 5. Axiomas y teoremas de probabilidad
Según mencionamos en el apartado 3, a partir del espacio muestral
 y la familia de eventos Ŧ, se define la medida de probabilidad como una
función real que hace corresponder a cada elemento de Ŧ un número com-
prendido entre 0 y 1.

P: Ŧ → [0,1] y satisface los siguientes axiomas:

1) Sea A un evento que pertenece a Ŧ, la probabilidad de A es una cantidad

mayor o igual a cero
P(A)  0

2) La probabilidad del espacio muestral, o evento cierto, es uno

P () = 1

3) Sean A y B, eventos mutuamente excluyentes o disjuntos que pertene-

cen a Ŧ, la probabilidad de su unión es igual a la suma de las probabilida-
des de cada uno de ellos.

P (A  B) = P(A) + P(B) siendo A  B = 

Este último axioma, conocido como Regla Especial de Adición se

extiende a un número n de eventos. A partir de estos axiomas, se deducen
teoremas que serán de utilidad para el cálculo de probabilidades. Algunos
de esos teoremas enunciamos a continuación:

Teorema 1:
Sea A un evento perteneciente a Ŧ, la probabilidad del complemento de A
es igual a uno menos la probabilidad de A.

P(AC) = 1 – P(A)
Demostración:
Por definición A  AC = 
Por Axioma 2 P () = 1
Como A  AC =  (son disjuntos)
Por Axioma 3 P (A  AC) = P(A) + P(AC) = P () = 1
P(AC) = 1 – P(A)

Teorema 2:
La probabilidad del evento imposible (complemento de  ) es igual a cero.

P () = 0

Demostración:
150 Por definición  =
Por Axioma 2 P () = 1
Como    =  (son disjuntos)
Por Axioma 3 P (  )= P () + P () = P () = 1
P () = 1 – P () = 1 – 1 = 0
 Unidad 3: Introducción a las probabilidades

Teorema 3:
Sean A y B, eventos que pertenecen a Ŧ, entonces:

P (B – A) = P(B) – P (A  B)
Demostración:
Por definición B = (A  B)  (B – A)
Como (A  B)  (B – A) =  (son disjuntos)
Por Axioma 3 P(B) = P (A  B) + P (B – A)
P (B – A) = P(B) - P (A  B)

Teorema 4:
Sean A y B, eventos no disjuntos, que pertenecen a Ŧ, entonces:

P (A  B) = P(A) + P(B) - P (A  B)
Demostración:
Por definición A  B = A  (B – A)
Como A  (B – A) =  (son disjuntos)
Por Axioma 3 P (A  B) = P(A) + P (B – A)
P (A  B) = P(A) + P(B) - P (A  B)

Este teorema se conoce también como Regla General de Adición.

6. Probabilidad conjunta y condicional

En esta sección, estudiaremos los conceptos de probabilidad con-
junta y condicional. Retomemos el ejemplo trabajado anteriormente,
donde se presentó el concepto de probabilidad marginal.

Seleccionamos al azar un alumno de Estadística I y deseamos cal-

cular la probabilidad de que sea varón y proceda de Córdoba,

V = alumno varón
C = alumno que procede de Córdoba,

es decir, buscamos calcular P (V  C). En este caso nos interesa calcular

la probabilidad de la ocurrencia simultánea de los dos eventos, es decir
que se presenten resultados comunes a ambos eventos. Esta probabilidad
se denomina probabilidad conjunta.

De acuerdo a los datos, si se aplica el enfoque frecuencial, se tiene:

P(V  C) = 182/592 = 0,307

Supongamos ahora, que se selecciona un alumno al azar y se co-

noce que es varón, y estamos interesados en conocer la probabilidad de
que proceda de Córdoba. En este caso, deseamos conocer la probabilidad
de que ocurra un evento “dado que” otro ya ha ocurrido. Esta probabilidad
se denomina probabilidad condicional. 151

Sean los eventos A y B, tal que P(B)>0, la probabilidad condicional A

dado B, que se simboliza P(A/B), se define:
P ( A  B)
P ( A/B) =
P ( B)
 De acuerdo a los datos, si se aplica el enfoque frecuencial, se tiene:

P ( C  V ) 182 592 0,307

P ( C/V ) = = = =0,737
P (V) 247 592 0,417

Al calcular probabilidades condicionales, trabajamos en un espacio

muestral reducido. La probabilidad de un hecho (que proceda de Córdoba)
en el subconjunto considerado (varones) puede ser mayor, menor o igual
que en el espacio muestral original.
Cuando analizamos la procedencia en el subconjunto de varones,
arribamos a que el 73,7% de los mismos residía en Córdoba. Este valor
indica que, si se sabe que es Varón, la probabilidad de que el alumno haya
residido en Córdoba es levemente inferior a 0,797, que es la P(C) para el
total de alumnos.
A partir de la fórmula de la probabilidad condicional, podemos deri-
var el cálculo de la probabilidad conjunta, conocida como Regla General
Multiplicativa:

P(A  B) = P(A/B).P(B) = P(B/A). P(A)

Para ejercitar los temas desarrollados en la esta unidad les propone-

mos las siguientes actividades.

Actividad 7:
Se conoce que, de cada 100 estudiantes de 3º año de la Facultad que
han optado por una sola carrera de las tres que se pueden cursar, 66
eligen Contador Público mientras que el resto elige una de las Licencia-
turas (en Administración de Empresas o en Economía). También se sabe
que el 46% son varones (el resto mujeres) y que en las Licenciaturas hay
13 mujeres.

Seleccionamos al azar un alumno de 3º año y, a partir de definir los even-

tos:

A = alumno varón
B = alumno de la carrera de Contador Público

Deseamos predecir las siguientes probabilidades:

a) Que sea varón
b) Que haya elegido una Licenciatura
c) Que sea mujer o haya elegido la carrera de Contador Público (re-
cordar la Regla General de Adición)
d) Que sea varón dado que es un alumno que elige una Licenciatura
e) Que sea varón y haya elegido una Licenciatura
f) Que sea varón o mujer
g) Que haya elegido la carrera de Contador y una Licenciatura
h) ¿Cómo se llaman los eventos del punto g)?
152 Le recomendamos armar una tabla de contingencia con los datos del enun-
ciado.
 Unidad 3: Introducción a las probabilidades

Actividad 8:
Teniendo en cuenta los siguientes datos referidos a las ventas diarias (en
$) para una compañía de servicios de transporte.

Ventas Nro. días

530 730 3
730 930 7
930 1130 11
1130 1330 22
1330 1530 40
1530 1730 24
1730 1930 9
1930 2130 4
Total 120

Calcule la probabilidad de que un día particular:

a) venda entre $ 1330 y $ 1530.
b) venda $ 1530 o más.
c) ¿En base a qué teoría asignó probabilidades a los eventos?

Actividad 9:
Los datos sobre las ventas diarias de un producto en los últimos 2 meses
(60 días) para LUZ S.A. se exponen en la tabla siguiente:

Número de Cantidad
productos vendidos de días
0 15
1 20
2 13
3 9
4 o más 3

Si se elige un día al azar, se pide:

a) ¿Cuántos son los resultados posibles?
b) ¿Cuál es la probabilidad de que no venda productos?
c) ¿Cuál es la probabilidad de que venda 1 producto?
d) ¿Cuál es la probabilidad de que venda 3 o más productos?

Actividad 10:
Dados los eventos A y B que pertenecen al mismo espacio probabilístico
sobre los cuales se sabe que P(A) = 0.3, P(B) = 0.6 y P (A U B) = 0.8,
calcule:

a) P(AC) 153
b) P(BC)
c) P (A  B)
d) P (AC  BC)
e) P (AC  B)
f) P (A  BC)
g) P (AC  BC)
 Cuando los eventos pueden presentarse simultáneamente la proba-
bilidad conjunta es distinta de cero. La expresión para cuantificarla de-
pende de si los eventos considerados son dependientes o independientes.

7. Independencia de eventos
Decimos que dos eventos son independientes si la ocurrencia de uno de
ellos no modifica la probabilidad de aparición del otro; es decir que su ocu-
rrencia no produce efecto en la probabilidad simple del otro. Caso contrario
los eventos son dependientes.

Para ilustrar la independencia de eventos, veamos el siguiente

ejemplo. Supongamos que tiramos dos monedas al aire, el resul-
tado de una de ellas (cara o sello) no está afectado por el resultado de la
otra (cara o sello); decimos entonces que el resultado de la segunda mo-
neda no depende del resultado de la primera.

Si estamos frente a dos eventos independientes A y B, la probabili-

dad de que ocurran A y B se obtiene multiplicando las probabilidades sim-
ples de cada uno de ellos. Esto se conoce como Regla Especial de Mul-
tiplicación.

En fórmulas se expresa: P (A  B) = P(A). P(B)

En el ejemplo anterior de la moneda ¿cuál es la probabilidad de que

en ambas tiradas el resultado sea cara?

P (cara y cara) = P(cara). P(cara) = 0,50. 0,50 = 0,25

Si estamos frente a eventos independientes, ¿podemos calcular una

probabilidad condicional?

Si relacionamos las fórmulas de probabilidad condicional y probabili-

dad conjunta de eventos independientes tenemos que:

P ( A  B) P ( A ) .P ( B)
P ( A/B) = = =P ( A )
P ( B) P ( B)

Es decir, la probabilidad del evento A no varía ante la aparición del

evento B (su probabilidad condicional es igual a su probabilidad simple),
por lo que podríamos expresar la independencia de eventos de la siguiente
manera:

Si P(A/B) = P(A) entonces A y B son eventos independientes

Veamos un ejemplo para ilustrar lo que acabamos de expresar. Su-

pongamos que en un lote de 100 productos hay 8 que son defectuosos. Si
seleccionamos un producto al azar la probabilidad de que sea defectuoso
154
es 8/100. Si seleccionamos otro más, la probabilidad de que el segundo
también lo sea (si reponemos el primero de ellos al lote) será 8/100 por lo
que la probabilidad simple de defectuoso no cambió en esta segunda ex-
tracción. Esto lleva a concluir que la probabilidad de que ambos sean de-
fectuosos es:
8 8
P ( D1  D2 ) = P ( D1 ) .P ( D2 / D1 ) = . = 0, 0064
100 100
 Unidad 3: Introducción a las probabilidades

Si no reponemos el primer producto antes de seleccionar el segundo

(Muestreo sin reemplazo), la probabilidad es:
8 7
P ( D1  D2 ) = P ( D1 ) .P ( D2 / D1 ) = . = 0, 0056
100 99

En relación al ejemplo que trabajamos en la sección anterior ¿pode-

mos decir que el sexo es probabilísticamente independiente del lugar de
procedencia?

Utilizando los datos de la Tabla de Contingencia, tenemos que:

P (V  C) = 182/592 = 0,307 y P(V). P(C) = 247/592 x 472/592 = 0,332

Observamos que: P (V  C)  P(V). P(C); por lo que concluimos que el

sexo no es independiente del lugar de procedencia.

Nota: Esta verificación se puede realizar con cualquiera de las cuatro pro-
babilidades conjuntas de la tabla de contingencia.

Actividad 11:
Defina eventos a partir del ejemplo de la tirada de una moneda tres veces
y trate de concluir si los mismos son independientes o no.

Actividad 12:
Un lote de producción tiene 15 artículos buenos, 6 tienen defectos poco
significativos y 3 con defectos graves.

1) Si se elige un artículo al azar, encuentre la probabilidad que:

a) No tenga defectos.
b) Tenga un defecto grave.
c) Que sea bueno o que tenga un defecto poco significativo.

2) Si del mismo lote se toman dos artículos sin reposición, encuentre

la probabilidad que:
a) Ambos tengan defectos poco significativos.
b) Ninguno sea bueno.
c) Exactamente uno sea bueno.
d) Ninguno tenga defectos graves.
e) Por lo menos uno sea bueno.

155
 Actividad 13:
La empresa “MICA S.A.”, tiene un directorio conformado por 6 varones y 3
mujeres. Dicha empresa debe elegir en el mes próximo al nuevo presi-
dente, para lo cual se armará un Comité con 3 de los miembros del direc-
torio, para que efectúe recomendaciones sobre quién deberá ser el nuevo
presidente.

Determine:
a) ¿Cuál es la probabilidad de que los 3 integrantes del comité eva-
luador sean mujeres?
b) ¿Cuál es la probabilidad de que los 3 integrantes sean varones?
c) ¿Cuál es la probabilidad de que los tres integrantes sean todos va-
rones o todas mujeres?
d) ¿Cuál es la probabilidad de que se seleccionen una mujer y dos
varones?
e) Si se decide ampliar el Comité a cuatro personas, ¿cuál es la probabi-
lidad de que todas sean mujeres? ¿Cómo se denomina este tipo de
evento?

Actividad 14:
Una compañía produce y vende dos tipos de productos (producto A y
producto B). Se estima que la probabilidad de que el producto A tenga
una ganancia superior al 15% es 0,25, que el producto B tenga el mismo
margen de ganancia es 0,30 y que ambos productos superen el 15% de
ganancia es 0,08. En base a estas estimaciones que realizó el gerente
se pide:

a) ¿Qué teoría se aplicó para asignarle probabilidades a los even-

tos?
b) ¿Cuál es la probabilidad que el producto B tenga un margen de
utilidad superior al 15% dado que el producto A alcanza el mismo
margen de utilidad?
c) Determine si el evento “A deja una utilidad superior al 15%” y “B
deja una utilidad superior al 15%” son estadísticamente indepen-
dientes.

Actividad 15:
Dados los eventos A y B, que pertenecen al mismo espacio probabilístico,
sabiendo además que P(A) = 0.40; P (B) = 0.30 y P (A/B) = 0, entonces:

a) A y B son estadísticamente independientes. V-F

b) A y B son mutuamente excluyentes. V-F
c) P (AC/ B) = 1. V-F

Indique en cada uno de los casos si son Verdaderas o Falsas cada una
156 de las afirmaciones, y justifique su respuesta.
 Unidad 3: Introducción a las probabilidades

Actividad 16:
Dados los eventos A y B, mutuamente excluyentes, que pertenecen al
mismo espacio probabilístico y sabiendo que:

P(A) = 0,20 y P(B) = 0,40

Determine si son Verdaderas o Falsas cada una de las siguientes afirma-

ciones y justifique su respuesta.

a) Si los eventos son mutuamente excluyentes (A  B = ), entonces

los eventos son estadísticamente independientes. V-F
b) P (A) + P (B) – P (A  B) = 0,52. V-F
c) P(A/B) = 0,20. V-F

Actividad 17:
¿Cuándo dos eventos estadísticamente independientes son también mu-
tuamente excluyentes? Marque la alternativa correcta y pruebe por qué.

a) Cuando el producto de las probabilidades de dos eventos no vacíos

es distinto a la probabilidad de la intersección de los mismos.
b) Cuando el producto de las probabilidades de dos eventos no vacíos
es igual a la probabilidad de la intersección de dichos eventos.
c) Cuando uno de los dos eventos es vacío y el producto de las pro-
babilidades es igual a la probabilidad de la intersección de dichos
eventos.
d) Cuando uno de los dos eventos es vacío y el producto de las pro-
babilidades es distinto a la probabilidad de la intersección de los
mismos.
e) Cuando la probabilidad condicional de un evento no vacío dado otro
evento no vacío es igual a la probabilidad del primero.

8. Ley de Probabilidad total

A efectos de derivar la Ley de Probabilidad total, introduciremos un
nuevo concepto. Llamaremos partición aleatoria de  al conjunto de
eventos Ai tales que:

A1  A2  A3  ..........  An =  con Ai  Aj =  ;  i  j

Como vemos, se trata del conjunto de eventos mutuamente exclu-

yentes y colectivamente exhaustivos (sin intersección y que cubren todo el
espacio muestral).

La Ley de probabilidad total indica que dada una partición aleatoria de , 157
para cualquier evento B se cumple que:

n
P(B)= P(A1).P(B/A1)+P(A2).P(B/A2)+………+ P(An).P(B/An)=  P(A ).P(B/A )
i=1
i i
 Demostración:
Consideremos el evento B y la partición aleatoria de  {A1 A2 A3 ... An}

B=B
B = B  [A1  A2  ...  An]
B = (B  A1)  (B  A2)  …  (B  An)
Por axioma 3 P(B) = P (B  A1) +P (B  A2) + … +P (B  An)
P(B) = P(A1). P(B/A1) + P(A2). P(B/A2) +…+ P(An). P(B/An)

Veamos un ejemplo, se conoce que en la industria alimenticia la

prevalencia de operaciones de exportación es del 11% en empresas
de capital nacional y 23% en empresas de capital extranjero; y además que
7% de las empresas de dicha rama son extranjeras, ¿cuál es la probabili-
dad de operaciones de exportación en la industria alimenticia de nuestro
país?

A1 = empresa nacional
A2 = empresa extranjera
eventos que constituyen una partición aleatoria de 

P(A1) = 0,93; P(A2) = 0,07

B = operaciones de exportación
P(B/A1) = 0,11 y P(B/A2) = 0,23

P(B)=P(A1). P(B/A1) +P(A2). P(B/A2) =0,93.0,11+0,07.0,23=0,1184

Actividad 18:
Cuatro máquinas, X20, X21, X22 y X23, producen 30%, 25%, 15% y 30%
respectivamente del total de productos de una industria, siendo la propor-
ción de productos defectuosos de 0,02; 0,03; 0,05 y 0,07 para cada má-
quina respectivamente.
Si se selecciona un producto al azar, ¿cuál es la probabilidad de que sea
defectuoso?

Una aplicación importante vinculada a la ley de Probabilidad Total,

es lo que se conoce como Teorema de Bayes que, como veremos a conti-
nuación se utiliza para calcular una probabilidad condicional.

9. Teorema de Bayes

El análisis bayesiano consiste en hacer inferencias sobre causas posibles

a partir de los efectos o resultados conocidos de los eventos. En este
caso se aplica la idea de probabilidad condicional que vimos en su mo-
158 mento.

Se trata de calcular una probabilidad a posteriori después que se

ha observado un efecto determinado, es decir; se revisa o ajusta una pro-
babilidad a priori de un evento hacia una probabilidad a posteriori más
confiable ya que se basa en los resultados que ofrece la evidencia de una
muestra o un estudio adicional.
 Unidad 3: Introducción a las probabilidades

Veamos un ejemplo. En un estudio sobre el mercado laboral se tie-

nen los siguientes datos referidos al nivel educacional y empleo:

Nivel de educación Nivel de educación Trabaja

Primario 30% 40%
Secundario 40% 60%
Universitario 25% 90%
Postgrado 5% 95%

Si se selecciona una persona al azar y observamos que está traba-

jando ¿cuál es la probabilidad de que esta persona tenga título secunda-
rio?

Con los datos anteriores podemos construir la siguiente tabla:

Evento Ai
P(Ai) P(T/Ai) P (Ai  T) = P(Ai). P(T/Ai)
Nivel de educación
A1 = Primario 0,30 0,40 (0,30 x 0,40) = 0,12
A2 = Secundario 0,40 0,60 (0,40 x 0,60) = 0,24
A3 = Universitario 0,25 0,90 (0,25 x 0,90) = 0,225
A4 = Postgrado 0,05 0,95 (0,05 x 0,95) = 0,0475

Las probabilidades P(Ai) se denominan probabilidades a priori de-

bido a que la probabilidad se asigna antes de haber obtenido datos empí-
ricos. Reflejan el nivel actual de información.

Por ejemplo, la probabilidad de que la persona seleccionada al azar

tenga nivel Secundario es:
P(A2) = 0,40

Las probabilidades P(T/Ai) son probabilidades condicionales que sur-

gen de considerar datos empíricos (evidencia), los cuales se observan, en
nuestro caso para cada nivel educacional.

Por ejemplo, la probabilidad de que la persona trabaje, dado que

tiene nivel secundario es:
P(T/A2) = 0,60

Estas probabilidades permiten calcular probabilidades condicionales

P(Ai/T), conocidas como probabilidades a posteriori debido a que se de-
terminan una vez obtenidos los datos empíricos, mediante el empleo de
Teorema de Bayes. Se trata por lo tanto de una probabilidad revisada con
base en información adicional.

Dados el evento B y la partición aleatoria de  {A1 A2 A3 ... An}, el

Teorema de Bayes establece:

P ( AJ  B ) P ( AJ ) .P ( B / AJ )
P ( AJ / B ) = = J = 1, 2,..., n
P ( B) n
159
 P( A ).P( B / A )
i =1
i i

Es decir que, la probabilidad de que la persona elegida tenga nivel

secundario sabiendo que trabaja es:
 P(A2). P(T/A2)
P(A2/T) =
P(A1). P(T/A1) + P(A2). P(T/A2) + P(A3). P(T/A3) + P(A4). P(T/A4)

0,24
= = 0,379
0,6325

Con este ejemplo vemos cómo la probabilidad inicial (a priori) del ni-
vel educativo secundario (0,40) queda “revisada” después de que se ob-
tuvo la información de que la persona seleccionada trabaja.

Actividad 19:
Si a partir de los datos de la Actividad 18 se selecciona un artículo y es
defectuoso, ¿cuál es la probabilidad que haya sido producido por la má-
quina X21?

Actividad 20:
En un curso de capacitación para administrativos de una compañía, 60%
de los asistentes son mujeres; el 75% de los hombres son egresados de
la universidad y el 50% de las mujeres también.

a) Elabore un diagrama de árbol que muestre todas las probabilida-

des e indique cómo se llaman cada una de ellas.
b) Si se selecciona al azar una persona del curso para hacerle una
entrevista, ¿cuál es la probabilidad de que se trate de una mujer
universitaria?
c) Si se selecciona un egresado universitario al azar, ¿cuál es la pro-
babilidad de que sea mujer?

Actividad 21:
En el último año Talleres jugó al fútbol con Belgrano el 7% de los partidos,
el 93% restante con otros equipos. Talleres ganó el 95% de los clásicos,
mientras que sólo ganó el 10% de los partidos que jugó con otros equi-
pos.

a) Estos dos equipos de Córdoba están por jugar próximamente,

¿cuál es la probabilidad que no gane Talleres?
b) En el diario del día de hoy se informa que Talleres ganó ayer,
¿cuál es la probabilidad que haya jugado con Belgrano?

Actividad 22:
En una empresa hay dos máquinas con las que se enlata una nueva ga-
seosa, la máquina A produce el 40% del total de la producción y la má-
quina B el resto. Además, se sabe que la máquina A produce un 20% de
160 artículos con defectos en su envasado y mientras que la B sólo un 15%.

Calcule la probabilidad que, seleccionada una lata defectuosa en su enva-

sado, ésta haya sido producida por la máquina B.
 Unidad 3: Introducción a las probabilidades

Actividad 23:
Suponga que tenemos una caja de fusibles que contiene 20 uni-
dades, de las cuales 5 están defectuosas. Si se seleccionan 2
fusibles al azar y se retiran de la caja, uno después del otro, sin reemplazar
el primero, cuál es la probabilidad de que:
a) ambos fusibles estén defectuosos?
b) sólo uno esté defectuoso?
c) Calcule las probabilidades de los incisos anteriores si el pri-
mer fusible se reemplaza antes de extraer el segundo.

Actividad 24:
Se sabe que para parejas casadas que viven en cierto suburbio, la pro-
babilidad de que el esposo vote en un referéndum es 0.21, la probabilidad
de que vote la esposa es 0.28 y la probabilidad de que ambos voten es
0.15. Calcule la probabilidad de que:
a) Al menos uno de los miembros de la pareja casada vote.
b) La esposa vote, dado que su esposo vota.
c) El esposo vote, dado que su esposa vota.

Actividad 25:
En un estudio clínico para estudiar la relación que existe entre el hábito
de fumar y la hipertensión arterial se reúnen los siguientes datos para
360 individuos:

No Fumadores Fumadores
fumadores moderados empedernidos
Con hipertensión 42 72 60
Sin hipertensión 96 52 38
Si se selecciona un individuo al azar, calcule la probabilidad de que la
persona:
a) Sufra hipertensión
b) Fume.
c) Sufra hipertensión dado que no fuma.
d) No fume, dado que no padece hipertensión.
e) Sabiendo que fuma moderadamente, no sufra hipertensión.

Actividad 26:
Los siguientes datos corresponden a 390 establecimientos agropecua-
rios de la Provincia de Córdoba [ejercicio 9 de la unidad 1].

Si se selecciona un establecimiento agropecuario al azar, calcule las si-

guientes probabilidades:
a) Que el establecimiento esté localizado en la zona “A” o “B”.
b) Que el establecimiento tenga un nivel de producción Alto. 161
c) Que el establecimiento esté localizado en la zona “B” y tenga un
nivel de producción Mediano.
d) Que el establecimiento tenga un nivel de producción Alto, dado
que pertenece a la zona “A”.
e) Compare los resultados de los incisos b y d y concluya.
 Actividad 27:
De una caja que contiene 6 bolas negras y 4 verdes se extraen
3 bolas sucesivamente y cada bola se reemplaza en a caja antes de ex-
traer la siguiente. Calcule la probabilidad de que:
a) Las 3 bolas sean verdes.
b) Las 3 bolas sean del mismo color.
c) Cada color esté representado.

Actividad 28:
Existe una extraña enfermedad que sólo afecta a uno de cada 500 indi-
viduos. Se dispone de una prueba para detectarla, pero ésta no es infali-
ble. Un resultado correcto positivo (la prueba da positivo en un paciente
que realmente tiene la enfermedad) ocurre 95% de las veces; en tanto
que un resultado falso positivo (la prueba da positivo en un paciente que
no tiene la enfermedad) ocurre 1% de las veces. Su un individuo elegido
al azar se somete a la prueba:
a) ¿Cuál es la probabilidad de que la prueba de positivo?
b) Si la prueba da positivo, ¿cuál es la probabilidad de que real-
mente tenga la enfermedad?
c) Si la prueba da negativo, ¿cuál es la probabilidad de que real-
mente tenga la enfermedad?

10. Referencias Bibliográficas

- Berenson, M y Levine, D (2003) Estadística Básica en Administración.

Conceptos y Aplicaciones. 6º Edición Prentice Hall.

- Blanch et al (2005) Ciclo Básico a Distancia Guía de Estadística I. Edito-

rial Asociación Cooperadora de la Facultad de Ciencias Económicas -
UNC.

- Díaz, M. (2003). Notas de Probabilidad y Variable Aleatoria. Asociación

Cooperadora de la Fac. Cs. Económicas de la U.N.C.

- Hoel, et.al. (1971). Introduction to Probability Theory. Hougton Mifflin

Company. Boston

- Peña, D. (2001) Fundamentos de Estadística. Editorial Alianza.

- Saino, M. (2009). Cálculo de Probabilidades. Guía de aplicaciones prác-

ticas correspondiente a los Capítulos III a VI del programa de Estadística I.
Asoc Coop F.C.E. (U.N.C.).

162
 Unidad 3: Introducción a las probabilidades

Anexo 1:
Lectura complementaria

Repaso de Álgebra de Conjuntos

• Dado un conjunto A = a, b, c, la relación de pertenencia de sus

elementos se simboliza con a  A.

• Se llama cardinal de un conjunto al número de elementos que con-

tiene, y se simboliza con  (A).

• Se llama conjunto vacío a aquél que no contiene ningún elemento,

y se simboliza con .

• Se llama conjunto universal a aquél formado por todos los elemen-

tos que se están considerando, y se simboliza con .

• Se llama complemento de A al conjunto formado por todos los ele-

mentos del conjunto universal  que no pertenecen al conjunto A,
y se simboliza con A .

• Se dice que B es un subconjunto de A si todos sus elementos

pertenecen a A. Se simboliza con B  A y se dice que B está in-
cluido en A.

• Dados dos conjuntos A y B se llama unión de ambos al conjunto

formado por los elementos que pertenecen sólo a A, sólo a B ó a
ambos, y se simboliza con A  B.

• Dados dos conjuntos A y B se llama intersección de ambos al con-

junto formado por los elementos comunes que pertenecen a A y B,
y se simboliza con A  B.

• Dos conjuntos A y B se llaman disjuntos si no poseen elementos

en común, por lo que su intersección es el conjunto vacío, y se sim-
boliza A  B = .

• El conjunto formado por todos los subconjuntos posibles de un uni-

verso dado se denomina Álgebra de Sucesos o Familia de Conjun-
tos, y se simboliza con Ŧ.

Repaso de Técnicas de Conteo

Para el cálculo de probabilidades es necesario contar el número de resul-

tados posibles de un experimento como también el número de resultados
que son favorables a un evento dado. Este proceso de conteo puede sim-
plificarse mediante el empleo de las denominadas técnicas de conteo. En
este apartado sólo revisaremos las Permutaciones, Variaciones y Combi-
naciones. 163

• Permutaciones
Una Permutación es un arreglo en un orden particular de los objetos
que forman un conjunto. Dado un conjunto de n elementos, el nú-
mero de permutaciones de esos n objetos es:
Pn = n. ( n − 1) . ( n − 2 ) ... ( 2 ) . (1) = n !
 que es el producto de un entero positivo (n) por todos los que le
preceden; expresión que se denota por n! y se lee “n factorial”. Dos
permutaciones cualesquiera sólo difieren en el orden de sus ele-
mentos.

• Variaciones

Una Variación es un arreglo en un orden particular de r objetos se-

leccionados a partir de un conjunto de n elementos. Dado un con-
junto de n elementos, el número de variaciones de r elementos de
esos n objetos es:
n!
Vnr =
( n − r )!
Dos variaciones cualesquiera pueden diferir en algún elemento o
bien teniendo los mismos elementos en el orden de los mismos.

• Combinaciones

Una Combinación es un arreglo de r objetos seleccionados a partir

de un conjunto de n elementos sin importar el orden de los mismos.
Dado un conjunto de n elementos, el número de combinaciones de
r elementos de esos n objetos es:
n!
Cnr =
r !( n − r ) !

Dos combinaciones cualesquiera sólo difieren en algún elemento

164
 Unidad 3: Introducción a las probabilidades

Soluciones y respuestas

Actividad 1

a)  = oro, basto, espada, copa Discreto (finito numerable)

b)  = 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12 Discreto (finito numerable)
c)  = 0, 1, 2, 3, … Discreto (infinito numerable)
d)  = G/G 0 Continuo
e)  = c1, c2, c3, c4, c5, c6, s1, s2, s3, s4, s5, s6 Discreto (finito numer-
able)

Actividad 2

Ejemplo 1: Elegir al azar un estudiante de la Facultad de Ciencias Econó-

micas e indagar sobre el sexo y si vive con sus padres.
 = (varón, sí), (mujer, sí), (varón, no), (mujer, no) Discreto (finito nume-
rable)

Resto: a cargo del alumno

Actividad 3

a) Ejemplo 1:
A=varón que vive con sus padres=(varón, sí) es un evento simple
B=varón=(varón, sí), (varón, no) es un evento compuesto

Resto: a cargo del alumno

b) A cargo del alumno.

c) Ejemplo 1:
B=varón=(varón, sí), (varón, no)
C=mujer=(mujer, sí), (mujer, no)
D=vive o no con sus padres= (varón, sí), (mujer, sí), (varón, no), (mujer,
no)

B y C son mutuamente excluyentes y colectivamente exhaustivos.

D es evento cierto

Resto: a cargo del alumno

Actividad 4
165
a) Que se trate de una parcela de nivel de producción alto.
b) Que se trate de una parcela de la Zona C y que tenga un nivel bajo de
producción.
c) Que no pertenezca a la zona A (es decir que puede pertenecer a la zona
B o C).
d) Que pertenezca a la zona A y B.
 Actividad 5

Ese valor podría utilizarse como una medida de probabilidad sólo si el ex-
perimento se realiza un número grande de veces, es decir se consultan
más alumnos.

Actividad 6

a) Subjetivo
b) Clásico
c) Clásico
d) Subjetivo
e) Frecuencial
f) Subjetivo
g) Subjetivo
h) Frecuencial
i) Subjetivo
j) Clásico

Actividad 7

A = varón C = mujer Total

B = Contador Público 25 41 66
D = Licenciaturas
21 13 34
(Administración o Economía)
Total 46 54 100

a) P(A)= 46/100= 0.46

b) P(D) = 34/100 = 0.34
c) P (C U B) = P(C) + P(B) – P(C ∩ B) = 54/100 + 66/100 – 41/100=
79/100=0,79
d) P(A/D) = P (A ∩ D) / P(D) = (21/100) / (34/100) = 0.6176
e) P (A ∩ D) = 21/100= 0.21
f) P (A U C) = P(A) + P(C) = 46/100+54/100= 1 (Evento CIERTO)
g) P (B ∩ D) = P (Ø) = 0 (Evento IMPOSIBLE)
h) Son mutuamente excluyentes.

Actividad 8

a) P (venda entre $1330 y $1530) = 40/120 = 0.333

b) P (venda $1530 o más) = (24+9+4) /120 = 37/120 = 0.308
c) Frecuencial

Actividad 9
166
a) Los resultados posibles son 5:  = (0), (1), (2), (3), (4 o más)
b) P (no vender productos) = 15/60 = 0.25
c) P (vender 1 producto) = 20/60 = 0.333
d) P (vender 3 o más productos) = (9+3) /60 = 12/60 = 0.20
 Unidad 3: Introducción a las probabilidades

Actividad 10

a) P(AC) = 0.70
b) P(BC) = 0.40
c) P (A  B) = 0.10
d) P (AC  BC) = 0.20
e) P (AC  B) = 0.50
f) P (A  BC) = 0.20
g) P (AC  BC) = 0.90

Actividad 11

A cargo del alumno

Actividad 12

1) Denotamos B =bueno, D =defecto poco significativo y G =defecto

grave
a) P(B) = 15/24
b) P(G) = 3/24
c) P (B U D) = P(B) + P(D) = 15/24 +6/24 = 21/24

2) Se toman dos artículos sin reposición

a) P (D  D) =6/24*5/23 = 0.0543
b) P (BC  BC) = 9/24*8/23 = 0.1304
c) P(B  BC) (BC  B)  = 15/24*9/23 + 9/24*15/23 = 0.4891
d) P (GC  GC) = 21/24*20/23 = 0.7609
e) P (uno bueno) + P (los dos buenos) = P(B  BC) (BC  B) + P (B  B)
= 0.4891 + 0.3804 = 0.8695

Actividad 13

a) P (M  M  M) = 3/9* 2/8* 1/7 = 1/84 = 0.0119

b) P (V  V  V) = 6/9* 5/8 * 4/7 = 5/21 = 0.2381
c) P(V  V  V) U (M  M  M) = 0.25
d) P (una mujer y dos varones) = P (M  V  V) + P (V  M  V) +
P (V  V  M) =3/9*6/8*5/7+6/9*3/8*5/7+6/9*5/8*3/7 = 0.5357
e) La probabilidad es igual a 0. El evento es imposible porque solo hay 3
mujeres en el directorio.

Actividad 14

a) Subjetiva 167
b) Sean A = el producto A deja un margen de utilidad superior al 15% y
B = el producto B deja un margen de utilidad superior al 15%
P(B/A) = P (B  A) /P(A) = 0.08/0.25 = 0.32
c) A y B son independientes si P (B  A) = P(B)*P(A)
P (B  A) = 0.08 ≠ P(B)*P(A) = 0.30*0.25 = 0.075
Como no se cumple la condición de independencia concluimos que A y
B son estadísticamente dependientes.
 Actividad 15

a) Falso porque si A y B son estadísticamente independientes entonces

P(A/B) = P(A) y en este caso no se cumple: 0 ≠ 0.40
b) Verdadero porque P (A  B) = P(A/B) *P(B) = 0*0.30 = 0
c) Verdadero porque P (AC/ B) = P (AC B) /P(B) = 0.30/0.30 = 1.

Actividad 16

a) Falso porque no se cumple la condición de independencia

P (A  B) = P(A). P(B): 0 ≠ 0,20.0,40
b) Falso porque P (A) + P (B) – P (A  B) = 0,20 +0,40 – 0 = 0.
c) Falso porque P(A/B) = 0/0,40 = 0.

Actividad 17

La alternativa correcta es la c) “Cuando uno de los dos eventos es vacío y

el producto de las probabilidades es igual a la probabilidad de la intersec-
ción de los mismos”.
Sean A = ø tal que P(A) = 0 y B no vacío, entonces A y B son mutuamente
excluyentes, es decir P (A  B) = 0 y se cumple la condición de indepen-
dencia P (A  B) = P(A). P(B) ya que P(A). P(B) = 0.P(B) = 0

Actividad 18

Sean A1 = artículo producido por máquina X20, A2 = artículo producido

por máquina X21, A3 = artículo producido por máquina X22 y A4 = ar-
tículo producido por máquina X23 tales que:

P(A1) = 0.30, P(A2) = 0.25, P(A3) = 0.15 y P(A4) = 0.30

D = artículo defectuoso
P(D/A1) = 0.02, P(D/A2) = 0.03, P(D/A3) = 0.05 y P(D/A4) = 0.07
P(D) = P(A1). P(D/A1) +P(A2). P(D/A2) +P(A3). P(D/A3) + P(A4). P(D/A4) =
P(D) = 0,30.0,02 + 0,25.0,03 + 0,15.0,05 + 0,30.0,07 = 0,042

Actividad 19
P(A2/D) = 0,1786

Actividad 20

a) Sean M = mujer, V = varón, U = egresado de la Universidad,

168 P(U/M) = 0.50

P(M)=0.60
P(UC/M) = 0.50
Curso
P(U/V) = 0.75
P(V)=0.40
P(UC/V) = 0.25
b) P (M  U) = 0.30
 Unidad 3: Introducción a las probabilidades

c) P(M/U) = 0.50

Actividad 21

Sean B = Talleres juega con Belgrano y G = Talleres gana el partido

tales que P(B) = 0.07, P(G/B) = 0.95 y P(G/BC) = 0.10.

a) P(GC/B) = 0.05
b) P(B/G) = 0.417

Actividad 22

Sean A = artículo producido por la máquina A, B = artículo producido por

la máquina B y D= artículo defectuoso, tales que P(A) = 0.40, P(B)
=0.60, P(D/A) = 0.20 y P(D/B) = 0.15.

P(B/D) = 0.529

169