Mdulo IV

Introduccin a la Probabilidad

Principios de probabilidad

Introduccin
probabilidad

Relaciones
entre eventos

Reglas
probabilidad

Tablas de
contingencia y
tablas de
probabilidad

Frecuencia
relativa

Eventos
mutuamente
excluyentes

Multiplicacin

Subjetivo

Eventos
colectivamente
excluyentes

Adicin

Clsico

Eventos
independientes
Eventos
complementarios

Probabilidad
condicional

Teorema de
Bayes

rboles de
probabilidades

Introduccin a la probabilidad
En la actualidad vemos que la teora de la probabilidad ocupa un lugar importante en
muchos asuntos de negocios. Los seguros y prcticas actuariales se basan firmemente en
los principios de la teora de la probabilidad. Las plizas de seguros de vida dependen de
las tablas de mortalidad, las cuales a su vez se basan en las probabilidades de muerte en
edades especficas. Otras tasas de seguros tales como seguro de bienes races y de
automviles se determinan de manera similar. La probabilidad tambin juega un papel
importante en la estimacin del nmero de unidades defectuosas en un proceso de
fabricacin, la probabilidad de recibir pagos sobre cuentas por cobrar y las ventas
potenciales de un nuevo producto. Incluso los apostadores profesionales en eventos
deportivos deben tener una comprensin slida de la teora de la probabilidad.
A pesar de la difundida aplicacin de los principios de la probabilidad, existen slo tres
formas generalmente aceptadas para enfocar: (1) el modelo de frecuencia relativa (a
posteriori), (2) el modelo subjetivo y (3) el modelo clsico (o a priori).
El modelo de frecuencia relativa utiliza datos que se han observado empricamente,
registra la frecuencia con que ha ocurrido algn evento en el pasado y estima la
probabilidad de que el evento ocurra nuevamente con base en estos datos histricos. La
probabilidad de un evento con base en el modelo de frecuencia relativa se determina
mediante

( ) =

Ecua. 13.1

Por ejemplo, asumiendo que durante el ao anterior hubo 50 nacimientos en un hospital

local, de los cuales 32 de los recin nacidos eran nias. El modelo de frecuencia relativa
revela que la probabilidad de que el siguiente nacimiento (o un nacimiento seleccionado
aleatoriamente) sea una nia es

 () =

32
=

50

Otro ejemplo. Un importador de cristal irlands de Nueva York recibe envos de cajas de
tres artculos. Los datos para las ltimas 100 cajas indicaron el nmero de artculos
daados que haba en cada caja. Por ejemplo, mostraba que en 40 de las cajas ningn
artculo se haba daado mientras que en 12 de las cajas todos los tres artculos se
haban roto.
Resultado (E.)
(nmero de

Nmero de

defectos)

cajas

P(E1)

40

40/100 = 0.40

27

27/100 = 0.27

21

21/100 = 0.21

12

12/100 = 0.12

100

1.00

Tabla 13.1

En el pasado, 21 de las 100 cajas totales contenan exactamente dos artculos daados.
Entonces el modelo de frecuencia relativa asignara una probabilidad de que dos artculos
en cualquier caja dada estuvieran daados as P (2) - 21 /100 = 0.21. La probabilidad para
cada resultado individual se muestra en la ltima columna, la cual suma 1.
Un problema comn con el modelo de frecuencia relativa resulta cuando se hacen
estimaciones con un nmero insuficiente de observaciones. Por ejemplo, se asume que
en los dos vuelos de una aerolnea en los que se hicieron registros el ao pasado
estuvieron retrasados al llegar a sus destinos. Por tanto, se concluye que el vuelo que se
abordar el prximo mes de la misma aerolnea, tambin estar retrasado. Aunque tales
inferencias son comunes, no existen suficientes datos como para sacar tal conclusin y se
deben evitar las decisiones basadas en tales inferencias.

En muchos casos los datos pasados no se encuentran disponibles. Por tanto, no es

posible calcular la probabilidad a partir del desempeo anterior. La nica alternativa es
estimar la probabilidad con base en nuestro mejor criterio. El modelo subjetivo requiere
establecer la probabilidad de algn evento con base en la mejor evidencia disponible. En
muchos casos esto puede ser apenas una conjetura hecha sobre cierta base. El modelo
subjetivo se utiliza cuando se desea asignar probabilidad a un evento que nunca ha
ocurrido. La probabilidad de que una mujer sea elegida como presidente de los Estados
Unidos es un ejemplo. Debido a que no hay datos sobre los cuales confiar, se deben
analizar las opiniones y creencias para obtener una estimacin subjetiva.
De los tres mtodos para medir la probabilidad, el modelo clsico es el que se relaciona
con mayor frecuencia con las apuestas y juegos de azar. La probabilidad clsica de un
evento E se determina mediante:

( )

Ecua. 13.2

Aun sin conocer a fondo la probabilidad clsica, se puede estar consciente de que la
probabilidad de obtener una cara en un solo lanzamiento de una moneda es de la mitad.
Esto puede ilustrarse utilizando la frmula (13.2) as:
( ) =

1
=

2

Existe slo una forma en que puede ocurrir el evento (se obtiene una cara), y existen dos
posibles resultados (una cara y un sello). De igual forma, la probabilidad de sacar un 3
con un dado de seis caras es:

(3) =

1
=

6

Existe slo una forma en que puede ocurrir el evento (se saca un 3), y seis posibles
resultados.
La probabilidad clsica implica la determinacin de la probabilidad de algn evento a priori
(antes del hecho). Por tanto, antes de sacar una carta de una baraja de 52 cartas, se
puede determinar que la probabilidad de sacar un as es:
() =

1
=

52

Ejercicios
1. Cul modelo de probabilidad es apropiado para cada uno de los experimentos
enumerados a continuacin?
Explique el porqu de su respuesta.
a. El ndice Dow Jones del precio de las acciones hoy cerrar alto.
b. Una unidad de produccin ser defectuosa.
c. Sacar un 6 con un dado.
d. El sol ser nova.
2. Cite tres ejemplos de negocios para cada uno de los tres modelos de probabilidad.
3. La siguiente tabla muestra el nmero de computadores vendidos diariamente por una
tienda minorista.

Nmero de computadores vendidos

Nmero de das

12

43

18

20

25

Determine la probabilidad de que el nmero de computadores que se vendan hoy sea:

a. 2
b. Menos de 3
c. Ms de 1
d. Por lo menos 1
4. Durante los ltimos cuatro campeonatos de ftbol norteamericano, el lanzamiento de
la moneda cay cara todas las veces. Su entrenador le dice que pedir sello esta vez
aumentar la probabilidad de que usted gane el lanzamiento. Est en lo cierto o est
equivocado? Explique su respuesta completamente.
5. Cul modelo de probabilidad utiliz en el problema anterior? Explique.
6. Durante el ao anterior, las ventas semanales en Petunia's Pet Shoppe han sido
"bajas" durante 16 semanas, "considerables" durante 27 semanas y "altas" el resto de
las semanas. Cul es la probabilidad de que las ventas de esta semana sean:
a. Considerables
b. Bajas
c. Altas
d. Por lo menos considerables

Terminologa bsica en probabilidad

En general, la probabilidad es la posibilidad de que algo pase. Las probabilidades se
expresan como fracciones (1/6, 1/2, 8/9) o como decimales (0.167,0.500, 0.889) que
estn entre cero y uno. Tener una probabilidad de cero significa que algo nunca va a
suceder; una probabilidad de uno indica que algo va a suceder siempre.
En la teora de la probabilidad, un evento es uno o ms de los posibles resultados de
hacer algo. Al lanzar una moneda al aire, si cae cruz es un evento, y si cae cara es otro.
De manera anloga, si sacamos una carta de un mazo de naipes, el tomar el as de
espadas es un evento. Un ejemplo de evento que, quiz, est ms cercano a su quehacer
diario es ser elegido de entre cien estudiantes para que responda a una pregunta. Cuando
escuchamos las poco gratas predicciones del ndice de mortalidad en accidentes de
trnsito, esperamos no ser uno de tales eventos.
En la teora de probabilidad, la actividad que origina uno de dichos eventos se conoce
como experimento. Utilizando un lenguaje formal, podramos hacer la siguiente pregunta:
en un experimento de lanzar una moneda, cul es la probabilidad del evento cara? Y,
desde luego, si la moneda no est cargada y tiene la misma probabilidad de caer en
cualquiera de sus dos lados (sin posibilidades de que caiga parada), podramos
responder, "1/2" o "0.5". Al conjunto de todos los resultados posibles de un experimento
se le llama espacio muestra! del experimento. En el de lanzar una moneda, el espacio
muestral es
5 = {cara, cruz}
En el experimento de sacar una carta, el espacio muestral tiene 52 elementos: as de
corazones, dos de corazones, etctera.
A la mayora de las personas les emocionan menos el lanzamiento de monedas o las
cartas que las preguntas como, cules son las posibilidades de poder tomar ese avin a
tiempo?, o cules son mis posibilidades de conseguir una segunda entrevista de
trabajo? En resumen, estamos preocupados por la probabilidad de que ciertos eventos
sucedan.
Se dice que los eventos son mutuamente excluyentes si uno y slo uno de ellos puede
tener lugar a un tiempo. Considere de nuevo el ejemplo de la moneda. Tenemos dos

resultados posibles, cara y cruz. En cualquier lanzamiento obtendremos una cara o una
cruz, nunca ambas. En consecuencia, se dice que los eventos cara y cruz en un solo
lanzamiento son mutuamente excluyentes. De manera parecida, usted puede pasar o
reprobar una materia o, antes de que termine el curso, desertar y no obtener calificacin.
Solamente uno de esos tres resultados es posible, por tanto, se dice que son eventos
mutuamente excluyentes. La pregunta fundamental que se debe formular al decidir si
ciertos eventos son mutuamente excluyentes es: pueden ocurrir dos o ms de tales
eventos al mismo tiempo? Si la respuesta es afirmativa, los eventos no son mutuamente
excluyentes.
Cuando una lista incluye todos los eventos que pueden resultar de un experimento, se
dice que la lista es colectivamente exhaustiva. En el ejemplo de la moneda, la lista cara
y cruz, es colectivamente exhaustiva (a menos, por supuesto, que la moneda caiga
parada cuando la lancemos). En una campaa presidencial, la lista de resultados
"candidato demcrata y candidato republicano" no es una lista colectivamente exhaustiva,
pues puede haber un candidato independiente o de algn otro partido que est
participando en las elecciones.
Ejercicios
Ejercicios de autoevaluacin
13.1

Proporcione una lista colectivamente exhaustiva de los resultados posibles al

lanzar dos dados.

13.2

D la probabilidad de cada uno de los siguientes totales al lanzar dos dados: 1, 2,

5,6, 7,10 y 11.

13.3

Cules de los siguientes son parejas de eventos mutuamente excluyentes al

sacar una carta de un mazo de 52 barajas?
a) Un corazn y una reina. .
b) Una espada y una carta roja.
c) Un nmero par y una espada.
d) Un as y un nmero impar.

13.4

Cules de los siguientes son resultados mutuamente excluyentes al lanzar

dos dados?

a) Un total de cinco puntos y un cinco en un dado.

b) Un total de siete puntos y un nmero par de puntos en ambos dados.
c) Un total de ocho puntos y un nmero impar de puntos en ambos dados.
d) Un total de nueve puntos y un dos en uno de los dados.
e) Un total de diez puntos y un cuatro en un dado.
13.5

Un bateador deja pasar todos los lanzamientos que ve. Proporcione el

espacio muestral de resultados para los siguientes experimentos en
trminos de bolas y strikes:
a) Dos lanzamientos.
b) Tres lanzamientos.

13.6

Considere una pila de nueve cartas todas de espadas, numeradas del 2 al 10,
y un dado. Proporcione una lista colectivamente exhaustiva de los resultados
posibles al lanzar el dado y destapar una carta. Cuntos elementos hay en
el espacio muestral?

13.7

Considere la pila de cartas y el dado del ejercicio 13.3 Proporcione la

probabilidad de cada uno de los siguientes totales al sumar los valores del
dado y de la carta:
2

13.8

12

14

16

En una reciente asamblea de los miembros de un sindicato que apoyan a

Joe Royal como su presidente, el lder de los seguidores de Royal afirm:
"Tenemos buenas posibilidades de que Royal derrote al nico oponente en
la eleccin."
a) Cules son los "eventos" que podran resultar de la eleccin?
b) La lista que hizo es colectivamente exhaustiva? Son los eventos de
la lista mutuamente excluyentes?
c) Sin tomar en consideracin el comentario de sus seguidores y sin tener
ninguna informacin adicional, qu probabilidad asignara usted a
cada evento?

13.9

La compaa telefnica Southern Bell est planeando la distribucin de

fondos para una campaa con el fin de aumentar las llamadas de larga

distancia en Carolina del Norte. La siguiente tabla es una lista de los

mercados que la compaa considera valiosos para enfocar su promocin:

Costo

de

especial
Porcin de mercado

campaa
dirigida

cada grupo

Minoras

$350,000

Empresarios

$550,000

Mujeres

$250,000

Profesionistas y trabajadores de oficina

$250,000

Obreros

$250,000

Hay una cantidad de hasta $800,000 disponible para estas campaas.

a) Las porciones de mercado que se enumeran en la tabla son
colectivamente exhaustivas? Son mutuamente excluyentes?
b) Haga una lista colectivamente exhaustiva y mutuamente excluyente de
los eventos posibles de la decisin sobre gastos.
c) Suponga que la compaa ha decidido gastar los $800,000 en campaas
especiales.
Esta circunstancia cambia la respuesta que dio en el inciso b)? Si la
respuesta es afirmativa, cul es su nueva respuesta?

Reglas de probabilidad
La mayora de los administradores que utiliza la probabilidad se preocupan por dos
condiciones:
1. El caso en que un evento u otro se presente.
2. La situacin en que dos o ms eventos se presenten al mismo tiempo.
Demostramos inters en el primer caso cuando preguntamos: "Cul es la probabilidad
de que la demanda de hoy exceda nuestro inventario?" Para ilustrar la segunda situacin,
podramos preguntar: "Cul es la probabilidad de que la demanda de hoy exceda
nuestro inventario /que el 10% de nuestra fuerza de ventas no se presente a trabajar?" En
las secciones que siguen ilustraremos algunos mtodos para determinar las respuestas a
las preguntas planteadas bajo una variedad de condiciones.
Algunos smbolos, definiciones y reglas de uso comn
Smbolo para una probabilidad marginal En la teora de probabilidad, utilizamos smbolos
para simplificar la presentacin de ideas. Como lo vimos antes en este mismo captulo, la
probabilidad de un evento A se podra expresar como:
Probabilidad de que el evento A suceda
Probabilidad de que el evento A suceda

P(A) = la

probabilidad de que el evento A suceda

Una probabilidad sencilla quiere decir que slo un evento puede llevarse a cabo. Se le
conoce como probabilidad marginal o incondicional. Para ilustrar un poco a lo que nos
referimos, supongamos que se hace una rifa entre 50 miembros de un grupo escolar de
un viaje gratis al Festival Nacional de Rock. La rifa consiste en sacar el boleto premiado
de un total de 50 boletos. Cualquiera de los estudiantes podra calcular su probabilidad de
ganar mediante la siguiente formulacin:

 () =

1
50

= 0.02
En este caso, la posibilidad de que un estudiante gane es de 1 entre 50, debido a que
tenemos la certeza de que los eventos posibles son mutuamente excluyentes, es decir,
solamente un estudiante puede ganar.
Existe una buena forma de ilustrar, por medio de diagramas, este ejemplo y otros
conceptos de probabilidad. Usamos una representacin grfica conocida como diagrama
de Veringa honor al matemtico ingls del siglo XIX, John Venn. En tales diagramas, el
espacio muestral completo se representa mediante un rectngulo y los eventos se
representan como partes de ese rectngulo. Si dos eventos son mutuamente excluyentes,
las partes correspondientes de stos en el rectngulo no se traslaparn, como se muestra
en el diagrama (a) de la figura 13.1. Si dos eventos no son mutuamente excluyentes, sus
partes correspondientes en el rectngulo s se traslapan, como se ilustra en el diagrama
(b) de la figura 13.1
Debido a que las probabilidades se comportan en mucho como si fueran reas,
tomaremos el rea del rectngulo como la unidad (porque la probabilidad de que algo
pase con toda certeza es 1). Entonces la probabilidad de que suceda un evento es su
rea que le corresponde del rectngulo. En el diagrama (c) de la figura 13.1 se ilustra lo
que decimos para el caso del ejemplo del Festival Nacional de Rock. En sta el
rectngulo est dividido en 50 partes iguales que no se traslapan.
Regla de la adicin para eventos mutuamente excluyentes. A menudo, sin embargo,
estamos interesados en la probabilidad de que una cosa u otra sucedan. Si estos dos
eventos son mutuamente excluyentes, podemos expresar esta probabilidad haciendo uso
de la regla de adicin para eventos mutuamente excluyentes. Esta regla se expresa
simblicamente de la siguiente manera:

P(A o B) = la probabilidad de que suceda A o B

Y se calcula de la siguiente manera:

Probabilidad

P(A o B) = P(A) + P(B)

Ecua. 13.3

Esta regla de adicin se ilustra en el diagrama de Venn de la figura 13.2, en la que

notamos que el rea junta de los dos crculos (que representa el evento A o B) es la suma
del rea del crculo que representa a A y la del crculo que representa a B.
Usemos esta frmula con un ejemplo. Cinco estudiantes por igual capaces esperan la
fecha en que se les har una entrevista para trabajar en el verano. La compaa
solicitante ha anunciado que contratar a slo uno de los cinco, mediante una eleccin
aleatoria. El grupo est formado por los estudiantes siguientes: Bill, Helen, John, Sally y
Walter. Si nuestra pregunta es, cul es la probabilidad de que John sea elegido?,
podemos utilizar la ecuacin 13.2 y obtener la respuesta.
() =
= 0.2

FIGURA 13.1

1
5

FIGURA 13.2

Diagrama de Venn para la

regla de adicin de
eventos mutuamente
excluyentes

Sin embargo, si preguntamos, cul es la probabilidad de que John o Sally sean

elegidos?, deberamos utilizar la ecuacin 13.3:
P (John o Sally) = P (John) + P (Sally)
=

1 1
+
5 5

2
5

= 0.4
Calculemos una vez ms la probabilidad de que sucedan dos o ms eventos. La tabla
13.2 contiene los datos sobre el tamao de las familias de un cierto pueblo. Estamos
interesados en la pregunta, cul es la probabilidad de que una familia de este pueblo,
escogida al azar, tenga cuatro o ms hijos (es decir cuatro, cinco, seis o ms hijos?
Haciendo uso de la ecuacin 13.3, podemos calcular la respuesta a nuestra pregunta;
P (4, 5, 6 o ms)

= P (4) + P (5) + P (6 o ms)

= 0.15 + 0.10 + 0.05
= 0.30

Existe un caso especial importante de la ecuacin 13.3. Para cualquier evento A, tenemos
que ste sucede o no sucede. De modo que los eventos A y no A son mutuamente
excluyentes y exhaustivos. Aplicando la ecuacin 13.3 obtenemos el resultado
P(A) + P (no A) = 1

o de manera equivalente:
P(A) = 1 P (no A)
Por ejemplo, refirindonos de nuevo a la tabla 13.2, la probabilidad de que una familia
tenga cinco o menos hijos se puede calcular con mayor ms facilidad si restamos a 1 la
probabilidad de que en la familia haya seis O ms hijos, con lo cual tenemos que esta
probabilidad es de 0.95.
Regla de adicin para eventos que no son mutuamente excluyentes Si dos eventos no
son mutuamente excluyentes, es posible que ambos se presenten al mismo tiempo. En
tales casos, debemos modificar la regla de adicin. Por ejemplo, cul es la probabilidad
de sacar un as aun corazn de un mazo de barajas? Obviamente, los eventos as y
corazn pueden presentarse juntos, pues podramos sacar una as de corazones. En
consecuencia, as y corazn no son eventos mutuamente excluyentes. Debemos ajustar la
ecuacin 13.3 para evitar el conteo doble, es decir, tenemos que reducir la probabilidad
de obtener un as o un corazn por la posibilidad de obtener ambos eventos juntos.

Tabla 13.2
Datos del

Nmero de hijos

tamao de

Proporcin de familias

familia

que tienen esta cantidad

6 o ms

0.05

0.10

0.30

0.25

0.15

0.10

0.05

de hijos

Como resultado de lo anterior, la ecuacin correcta para la probabilidad de uno o ms

eventos que no son mutuamente excluyentes es:
Regla de adicin para eventos que no son mutuamente excluyentes
Probabilidad de que A suceda

Probabilidad de que A y B sucedan juntas

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

Probabilidad de que se presenten A o B

cuando A y B no son mutuamente excluyentes

Ecua. 13.4

Probabilidad de que B suceda

La figura 13.3 muestra un diagrama de Venn que ilustra a la ecuacin 13.4. En ella, el
evento A o B est resaltado con una lnea ms gruesa, y el evento A y B es la porcin
cuadriculada que se encuentra en el medio. Si sumamos las reas de los crculos A y B,
contaremos doble el rea de la interseccin, de manera que debemos restarla para
asegurarnos de que solamente se cuente una vez.
Usando la ecuacin 13.4 para determinar la probabilidad de obtener un as o un corazn,
podemos calcular:
P(as o corazn) = P(as) + P (corazn) P(as y corazn)
=

4 13 1
+

52 2 52

16 4

52 13

Trabajemos un segundo ejemplo. Los empleados de una cierta compaa han elegido a
cinco de ellos para que los representen en el consejo administrativo y de personal sobre
productividad. Los perfiles de los cinco elegidos son:
1. hombre

edad 30

2. hombre

32

3. mujer

45

4. mujer

20

FIGURA 13.3

Diagrama de Venn de la regla de

adicin parra dos eventos no
mutuamente excluyentes.

Este grupo decide elegir un vocero, la eleccin se efecta sacando de un sombrero uno
de los nombres impresos. Nuestra pregunta es, cul es la probabilidad de que el vocero
sea mujer o cuya edad est por arriba de 35 aos? Utilizando la ecuacin 13.4, podemos
establecer la respuesta a nuestra pregunta como:
P(mujer o mayor de 35) = P(mujer) + P(mayor de 35) - P(mujer y mayor de 35)
=

2 2 1
+
5 5 5

3
5

Podemos verificar nuestro trabajo mediante inspeccin y ver que de los cinco empleados
del grupo, tres cumpliran con el requisito de ser mujer o de tener ms de 35 aos.

Probabilidades bajo condiciones de dependencia estadstica

La dependencia estadstica existe cuando la probabilidad de que se presente algn
evento depende o se ve afectada por la presentacin de algn otro. Exactamente igual
que con los eventos dependientes, los tipos de probabilidad bajo condiciones de
dependencia estadstica son:
1. Condicional.
2. Conjunta.
3. Marginal.
Probabilidad condicional bajo dependencia estadstica
Las probabilidades condicional y conjunta bajo condiciones de dependencia estadstica
son ms complicadas que la probabilidad marginal en estas mismas circunstancias.
Analizaremos primero las probabilidades condicionales, debido a que el concepto de
probabilidad conjunta se ilustra mejor si utilizamos la probabilidad condicional como base.
Suponga que tenemos una caja que contiene 10 bolas distribuidas de la siguiente
manera:
Tres son de color y tienen puntos
Una es de color y tiene franjas
Dos son grises y tienen puntos
Cuatro son grises y tienen franjas
La probabilidad de sacar cualquiera de las bolas es de 0.1, ya que existen 10 bolas con
igual probabilidad de ser elegidas. El anlisis de los ejemplos siguientes se har ms
sencillo si nos remitimos a la tabla 13.3 y a la figura 13.4, en las que se muestra el
contenido de la caja en forma de diagrama.
Ejemplo 1. Suponga que una persona saca de la caja una bola de color, cul es la
probabilidad de que sta tenga puntos? Cul es la probabilidad de que tenga franjas?
Solucin: Esta pregunta puede expresarse simblicamente como P(DQ) o cul es la
probabilidad condicional de que la bola tenga puntos (D), dado que es de color (C)?

Se nos ha dicho que la bola que se sac es de color. Por tanto, para calcular la
probabilidad de que tenga puntos, ignoraremos a todas las bolas grises y nos
concentraremos exclusivamente en las de color. Slo tomaremos en cuenta lo que se
muestra, en forma de diagrama, en la figura 13.5.
Evento

Tabla 13.3
Color

configuracin de 10

Probabilidad del evento

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

0.1

10

0.1

de color y con puntos

de color y con franjas

bolas

Figura 13.4

grises y con puntos

grises y con franjas

Figura 13.5

A partir del planteamiento del problema, sabemos que hay cuatro bolas de color, tres de
las cuales tienen puntos y la que queda tiene franjas. Ahora, nuestro problema consiste
en encontrar las probabilidades sencillas de que la bola tenga puntos y de que tenga
franjas. Para hacerlo dividimos el nmero de bolas de cada categoras entre el nmero
total de bolas de color.
(| ) =

3
= 0.75
4

(| ) =

1
= 0.25
4
.

En otras palabras, tres cuartos de las bolas de color tienen puntos y un cuarto tienen
franjas. As pues, la probabilidad de sacar una bola con puntos, dado que sta es de
color, es de 0.75. De forma parecida, la probabilidad de obtener una bola con franjas,
dado que sta es de color, es de 0.25.
Ahora podemos ver cmo nuestro razonamiento nos permitir desarrollar una frmula
para calcular la probabilidad condicional bajo dependencia estadstica. Primero, podemos
asegurarnos a nosotros mismos que tales eventos son estadsticamente dependientes si
observamos que el color de las bolas determina la probabilidad de que stas tengan
puntos o franjas. Por ejemplo, es ms probable que una bola gris tenga franjas que una
bola de color. Como el color afecta la probabilidad de que la bola tenga puntos o f ranjas,
estos eventos son dependientes.
Para calcular la probabilidad de obtener una bola con puntos dado que es de color,
P(DC), dividimos la probabilidad de que la bola sea de color y tenga puntos (tres de 10,
es decir 0.3) entre la probabilidad de que la bola sea de color (cuatro de 10, es decir, 0.4):
(| ) =

()
()

Expresada como una frmula general y utilizando las letras A y B para representar los dos
eventos, la ecuacin queda:

Probabilidad condicional para eventos dependientes estadsticamente

(|) =

()

[13.5]

()

Esta es la frmula para la probabilidad condicional bajo dependencia estadstica.

Ejemplo 2. Continuando con nuestro ejemplo de las bolas de color y grises, respondamos
a las preguntas, cul es la probabilidad de P(DQ) y P(S|G)?
Solucin
(| ) =

( ) 0.2 1
=
=
( )
0.6 3

( | ) =

() 0.4 2
=
=
()
0.6 3
.

El problema se muestra en forma de diagrama en la figura 13.6.

La probabilidad total de que la bola sea gris es de 0.6 (seis de 10 bolas). Para determinar
la probabilidad de que la bola (que sabemos es gris) tenga puntos, dividimos la
probabilidad de que sea gris y tenga puntos (0.2) entre la probabilidad de que sea gris
(0.6), o 0.2/0.6 = 1/3. De manera parecida, para determinar la probabilidad de que la bola
tenga franjas, dividimos la probabilidad de que sea gris y tenga franjas (0.4) entre la
probabilidad de que sea gris (0.6), es decir, 0.4/0.6 = 2/3.
Ejemplo 3 Calcule P(G|D) y P(C|D).
Solucin En la figura 13.7 se muestra el contenido de la caja clasificado de acuerdo con
las marcas de las bolas: puntos o franjas. Debido a que sabemos que la bola que se sac
tiene puntos, podemos ignorar las bolas con franjas y solamente considerar las que tienen
puntos.
Considere ahora la figura 13.8, en la que se muestra la probabilidad de obtener una bola
de color y la de obtener una gris, dado que la bola tiene puntos. Note que las

proporciones relativas de las dos probabilidades son 0.4 y 0.6. Los clculos que se
hicieron para llegar a estas cifras fueron:

( |) =

() 0.2
=
= 0.4
()
0.5

( |) =

() 0.3
=
= 0.6
()
0.5
.

FIGURA 13.8

FIGURA 13.6
Probabilidad de
obtener una bola con
puntos o una con
franjas dado que la
que se sac es gris.

FIGURA 13.7
Contenido de la caja
clasificada por
configuracin: con
puntos y con franjas.

Probabilidad de obtener una bola

de color y de obtener una bola
gris, dado que sta tiene puntos

Ejemplo 4 Calcule P(C | 5) y P(G | 5)

Solucin
( |) =

() 0.1
=
= 0.2
()
0.5

( |) =

() 0.4
=
= 0.8
()
0.5
.

Probabilidades conjuntas bajo condiciones de dependencia estadstica

Hemos mostrado que la frmula para calcular la probabilidad condicional bajo
dependencia estadstica es
( |) =

()
()

Si de esta ecuacin despejamos P(BA) mediante una multiplicacin, obtendremos la

frmula para la probabilidad conjunta bajo condiciones de dependencia estadstica:

Probabilidad conjunta para eventos dependientes estadsticamente

Probabilidad conjunta de que los
eventos B y A se presenten al mismo
tiempo o en sucesin

Probabilidad de que suceda el evento B dado

que ya se present el evento A

P(BA) = P(BA) X P(A)*

Probabilidad de que se presente el evento A

Observe que esta frmula no es P(BA) = P{AB) X P(A), como sera el caso si
estuviramos en condiciones de independencia estadstica.
Aplicando la frmula general P(BA) = P(BA) X P(A) a nuestro ejemplo y en trminos de
bolas de color (C), grises (G), con puntos (D) y con franjas (S), tendremos P(CD) =
P(CD) x P(D) o P(CD) = 0.6 X 0.5 = 0.3. Aqu, 0.6 es la probabilidad de obtener una bola

de color, dado que sta tiene puntos (calculada en el ejemplo 3 anterior) y 0.5 es la
probabilidad de obtener una bola con puntos (tambin calculada en el ejemplo 3).
El resultado, P(CD) = 0.3, puede verificarse en la tabla 13.3, en la que llegamos a la
probabilidad por inspeccin: tres bolas de 10 son de color y con puntos.
Las probabilidades conjuntas siguientes estn calculadas de la misma manera y se
pueden comprobar haciendo referencia a la tabla 13.3.
P(CS) = P(CS) x P(S) = 0.2 x 0.5 = 0.1
P(GD) = P(GD) x P(D) = 0.4 x 0.5 = 0.2
P(GS) = P(GS) x P(S) = 0.8 x 0.5 = 0.4
*Para encontrar la probabilidad conjunta de los eventos A y B, se puede utilizar la frmula
P(BA) = P(AB) = p(A|B) x P(B),. Esto es cierto porque BA = AB.

Probabilidades marginales bajo condiciones de dependencia estadstica

Las probabilidades marginales en condiciones de dependencia estadstica se calculan
mediante la suma de las probabilidades de todos los eventos conjuntos en los que se
presenta el evento sencillo. En el ejemplo anterior, podemos calcular la probabilidad
marginal del evento bola de color mediante la suma de la probabilidad de los dos eventos
conjuntos en los que aparece una bola de color:
P(C) = P(CD) + P(CS) = 0.3 + 0.1 = 0.4
De manera parecida, la probabilidad marginal del evento bola gris se puede calcular
sumando la probabilidad de los dos eventos conjuntos en los que se presenta una bola
gris:
P(G) = P(GD) + P(CS) = 0.2 + 0.4 = 0.6
Igualmente, podemos calcular la probabilidad marginal del evento bola con puntos
mediante la suma de la probabilidad de los dos eventos conjuntos en los que se tiene una
bola con puntos:
P(D) = P(CD) + P(GD) = 0.3 + 0.2 = 0.5

Y, por ltimo, la probabilidad marginal del evento bola con franjas se puede calcular
mediante la suma de la probabilidad de los dos eventos conjuntos en los que se presenta
una bola con franjas:
P(S) = P(GS) + P(GS) = 0.01 + 0.04 = 0.5
Estas cuatro probabilidades marginales, P(C) = 0.4, P(G) = 0.6, P(D) = 0.5 y P(S) = 0.5,
se pueden verificar mediante una inspeccin de la tabla 13.3.
Ahora ya hemos analizado los tres tipos de probabilidad (condicional, conjunta y marginal)
que se tienen en condiciones de dependencia estadstica. En la tabla 13.4 se presenta un
resumen de las frmulas desarrolladas para las probabilidades bajo ambas condiciones
de independencia estadstica y de dependencia estadstica.
Sugerencia: distinga entre probabilidad condicional y probabilidad conjunta mediante el
uso cuidadoso de los trminos dado que y ambos y. P(AB) es la probabilidad de que
A ocurra dado que ocurri B y P(AB) es la probabilidad de que ambos, A y B ocurran.
La probabilidad marginal P(A) es la probabilidad de que ocurra A, suceda B o no.
Tabla 13.4

Frmula bajo
Tipo

de

independen

probabilid
Probabilidades
bajo

dependencia

cia
Smbolo

estadstica

P(A)

P(A)

estadstica

condiciones

de independencia
y

ad

Frmula bajo

Marginal

dependencia

Suma de la probabilidad de los

eventos conjuntos en los que A

estadstica

ocurre
Conjunta

Condicional

P(AB)

P(A)xP(B)

o P(BA)

P(B)xP(A)

P(BA)

P(B)

P(A|B)xP(B)
P(B\A)xP(A)
()
()
()
()

o P(AB)

P(A)

Ejercicios

1)

De acuerdo con una encuesta, la probabilidad de que una familia posea dos
automviles si su ingreso anual es mayor que $35,000 es 0.75. De los
hogares encuestados, 60% tena ingresos mayores que $35,000 y 52% tena
dos autos. Cul es la probabilidad de que una familia tenga dos autos y un
ingreso mayor que $35,000 al ao?

2)

La tienda de departamentos Friendly ha sido objeto de muchos robos durante

el ltimo mes; pero, debido al aumento en las medidas de seguridad, se ha
detenido a 250 ladrones. Se registr el sexo de cada ladrn; tambin se anot
si se trataba de un primer delito o era reincidente. Los datos se resumen en la
siguiente tabla.
Sexo

Primera ofensa

Reincidente

Hombre

60

70

Mujer

44

76

104

146

Suponga que se elige al azar un ladrn detenido, calcule

a) la probabilidad de que el ladrn sea hombre.
b) la probabilidad de que sea la primera ofensa, dado que es hombre.
c) la probabilidad de que sea mujer, dado que es reincidente.
d) la probabilidad de que sea mujer, dado que es la primera ofensa.
e) la probabilidad de que sea hombre y reincidente.
3)

Dos eventos son estadsticamente dependientes. Si P(A) = 0.39, P(B) = 0.21 y

P(A o B) = 0.47, encuentre la probabilidad de que
a) no ocurra ni A ni B.
b) ocurran tanto A como B.
c) ocurra B dado que A ocurri.

d) ocurra A dado que B ocurri.

4)

Dado que P(A) - 3/4, P(B) = 1/6, P(C) = 1/3, P(AC) = 1/7 y P(B|C) = 5/21,
encuentre las siguientes probabilidades: P(A|C), P(C|A), P(BC) y P(C|B).

5)

Suponga que para dos eventos A y B, P(A) = 0.65, P(B) = 0.80, P(A|B) = P(A)
y P(B|A) = 0.85. Es sta una asignacin de probabilidades consistente?
Explique.

6)

En un comedor de beneficencia, una trabajadora social rene los datos

siguientes. De las personas que acu den al comedor, 59% son hombres, 32%
son alcohlicos y 21% son hombres alcohlicos. Cul es la probabilidad de
que un asistente hombre que vaya al comedor, tomado al azar, sea
alcohlico?

7)

Durante un estudio sobre accidentes automovilsticos, el Consejo de

Seguridad Carretera encontr que 60% de los accidentes suceden de noche,
52% estn relacionados con conductores alcoholizados y 37% se presentan
de noche y estn relacionados con conductores ebrios.
a) Cul es la probabilidad de que un accidente est relacionado con un
conductor alcoholizado, dado que sucedi de noche?
b) Cul es la probabilidad de que un accidente haya sucedido de noche,
dado que est relacionado con un conductor ebrio?

8)

Si un huracn se forma en la parte oriental del Golfo de Mxico, hay 76% de

posibilidades de que ste golpee la costa occidental de Florida. A partir de los
datos recabados en los 50 aos pasados, se ha determinado que la
probabilidad de que se forme un huracn en la parte oriental del golfo en
cualquier ao dado es de 0.85.
a) Cul es la probabilidad de que un huracn se forme en la parte oriental
del Golfo de Mxico y llegue a la costa occidental de Florida este ao?
b) Si a un huracn formado en la parte oriental del Golfo de Mxico s le
induce a producir lluvia mediante la irrigacin de productos qumicos desde
aeronaves, la probabilidad de que golpee la costa occidental de Florida se
reduce en un cuarto. Si se decide aplicar este tratamiento a todo huracn

que se forme en la parte oriental del golfo, cul es el nuevo valor de la

probabilidad del inciso a)?
9)

Al Cascade, presidente de la empresa Litre Corporation, est estudiando las

posibilidades de que su compaa obtenga un importante contrato para
instalar un sistema de purificacin de agua para las autoridades del Valle de
Tennessee. De acuerdo con ello, dos eventos tienen inters para l. Primero,
el principal competidor de Litre, la WTR, est efectuando una investigacin
sobre purificacin de agua en la zona, la cual espera concluir antes del tiempo
lmite para poder concursar por la concesin. Segundo, existen rumores de
que las autoridades del Valle de Tennessee van a realizar una auditora a
todos sus contratistas, de los cuales Litre forma parte y WTR no. Si el
competidor principal de Litre termina a tiempo su investigacin de campo y no
se hace la auditora, entonces la probabilidad de que a Litre le sea otorgada la
concesin es de 0.67. Si se efecta la auditora pero WTR no termina a tiempo
la investigacin, la probabilidad es de 0.72. Si ambos eventos se presentan, la
probabilidad es de 0.58, y si ninguno de los dos eventos sucede, entonces la
probabilidad es de 0.85. El que las autoridades hagan o no la auditora y el
que la WTR termine su investigacin son eventos independientes.
a) Suponga que Al, sabe que la probabilidad de que la WTR termine la
investigacin a tiempo es de 0.80. Cul deber ser el valor de la
probabilidad de que se haga una auditora para que la probabilidad de Litre
de obtener el contrato sea de al menos 0.65?
b) Suponga que Al, sabe que la probabilidad de que se efecte la auditora es
de 0.70. Qu valor deber tener la probabilidad de que la WTR termine a
tiempo la investigacin, de tal modo que la probabilidad de que Litre
obtenga la concesin sea de al menos 0.65?
c) Suponga que la probabilidad de que se efecte la auditora es de 0.75 y
que la probabilidad de que la WTR termine a tiempo su investigacin es de
0.85. Cul es la probabilidad de que Litre obtenga la concesin?

10)

Una compaa desea actualizar su sistema de computacin y una parte

importante de la actualizacin es un nuevo sistema operativo. La compaa ha
pedido a un ingeniero que evale el sistema operativo. Suponga que la
probabilidad de una evaluacin favorable es 0.65. Si la probabilidad de que la
compaa actualice su sistema dada una evaluacin favorable es 0.85, cul

es la probabilidad de que la compaa actualice su sistema y reciba una

evaluacin favorable?
11)

La biblioteca de la universidad ha entrevistado a afiliados elegidos al azar

durante el ltimo mes para ver quines usan la biblioteca y qu servicios
requieren. Los afiliados se clasifican en licenciatura, posgrado y acadmicos.
Los servicios se clasifican como consulta, publicaciones peridicas o libros. La
tabla contiene los datos de 350 personas. Suponga que los afiliados usan slo
un servicio por visita.
Afiliados

Referencia

Publ. peridicas

Libros

Licenciatura

44

26

72

Posgrado

24

61

20

Acadmicos

16

69

18

84

156

110

Encuentre la probabilidad de que un afiliado seleccionado al azar

a) sea estudiante de licenciatura.
b) visite la seccin de publicaciones peridicas, dado que es un estudiante de
posgrado,
c) sea de licenciatura y visite la seccin de libros.
12)

El gerente regional del sureste de General Express, un servicio privado de

mensajera, est preocupado por la posibilidad de una huelga por parte de
algunos empleados. Sabe que la probabilidad de una huelga de pilotos es
0.75 y la probabilidad de una huelga de choferes es 0.65. Ms an, sabe que
si los choferes hacen una huelga, existe una posibilidad de 90% de que los
pilotos apoyen la huelga.
a) Cul es la probabilidad de que ambos grupos se vayan a huelga?
b) Si los pilotos hacen huelga, cul es la probabilidad de que los choferes
apoyen la huelga?

REGLA DE MULTIPLICACIN
De la definicin de probabilidad condicional, obtenemos una frmula para hallar la
probabilidad de la interseccin (o producto) de los evento A y B, esto es, de
[A | B] =

P[A B]
. P[B] > 0
P[B]

[B | A] =

P[A B]
. P[A] > 0
P[A]

Multiplicando ambos miembros de la expresin (1) por P[B] y por P[A] la expresin (2),
obtenemos las ecuaciones
P[A B] =

P[8] P[A | B] =

P[AB]

P[A B] =

P[A] P[B|A]

P[AB]

y
,

este resultado en teora de probabilidad, se denomina REGLA DE MULTIPLICACIN o

probabilidad de la interseccin, (tambin probabilidad conjunta); expresa la probabilidad
de que ocurra los eventos A y B es igual a la probabilidad de la ocurrencia de uno de
ellos multiplicado por la probabilidad condicional que ocurra el segundo, dado que el
primero ha ocurrido.
Ejemplo 5. Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar
sucesivamente y sin reposicin (con reposicin) dos bolas, cul es la probabilidad que
las dos resultan blancas?
Solucin

(a)

Sin reposicin.

Primera forma. Sean los eventos:

A1: "La primera bola result blanca".
A2: "La segunda bola result blanca".
E : "Las dos bolas resultan blancas".
Es claro que la probabilidad pedida es la del evento
E = A1 A2 = A1A2
Es decir, E es la interseccin de los dos eventos y la ocurrencia de A 1 influye en la de
A2. 0 sea
P[E] =

P[A1A2] =

P[A1] P[A2 | A1]

En la urna hay 11 bolas de los cuales 5 son blancas, entonces

[1 ] =

5
11

Despus de la ocurrencia del evento Alf queda 10 bolas de las cuales 4 son blancas,
luego
[2 |A1 ] =

4
10

Por lo tanto
[] = [2 |A1 ] =

5 4
2

=
11 10 11

Un esquema que ayuda a visualizar la solucin de este problema es

Fig. 13.9

Segunda forma. El problema se puede enfocar de otra manera: Como existe 5 + 6 = 11

11
bolas, el nmero de formas de seleccionar dos de ellas, est dado por ( ) y cada una de
2
estas formas tienen igual probabilidad de ocurrir. El nmero de sucesos favorables al
evento E, la obtenemos de la siguiente manera: como existen 5 bolas blancas, podemos
5
elegir dos de ellas de ( ) formas diferentes, luego aplicando la definicin clsica es,
2
(5)
[] = 2 =
(11)
2

5!
2! 3! = 2
11!
11
2! 9!

(b) Con reemplazo. En este caso tambin el evento E se escribe como la interseccin de
los eventos A1 y A2. O sea E = A1A2. Y la ocurrencia de A1 no afecta a la ocurrencia de
A2. En efecto:
[1 ] =

5
11

Puesto que despus de la ocurrencia de A1 se devuelve la bola a la urna, tambin:

[2 |A1 ] =

5
11

El esquema siguiente ayuda a visualizar la solucin del problema.

Fig. 13.10

Ejemplo 6. En el ejemplo 13. Cul es la probabilidad de obtener una bola do cada color?
Solucin (a) Sin restitucin.
Primera forma. Sean los siguientes eventos:
A1: "La primera bola result blanca".
A2: "La segunda bola result blanca".
B1: "La primera bola result negra".
B2: "La segunda bola result negra".
E : "Obtener una bola de cada color".
En este caso la probabilidad pedida, es, la del evento E formado por la unin de los
eventos A1B2 y B1A2, es decir, E = A1B2 U B1A2 y como dichos eventos son mutuamente
excluyentes, tenemos
P[E]

= P[A1B2] + P[B1A2]

= P[A1] P[B2|A1] + P[B1] P[A2 | B1]

(1)

La ocurrencia del primer evento influye en la ocurrencia del segundo. Pues lo que en la
urna hay 11 bolas de las cuales 5 son blancas, se tiene
[1 ] =

5
11

Similarmente P[B1] = 6/11

Despus de la ocurrencia de A 1, queda 10 bolsas de las cuales 6 son negras, entonces:
P[B2 | A1] = 6/10
Similarmente P[A2 | B1] = 5/10. Por lo tanto, reemplazando estos resultados en (1) se
obtiene:
[] =

5
6
6 5
6

+
=
11 10 11 10 11

Un diagrama que ayuda a visualizar estos problemas en el llamado ARBOL DE

PROBABILIDAD PARA EXPERIMENTOS SUCESIVOS y es como indica la figura 13.11

Fig. 13.11

Cada rama completa del diagrama del rbol, se llama una trayectoria y representa un
posible resultado del experimento. En cada segmento que une la secuencia de
experimentos se pone sus respectivas probabilidades.
Segunda forma. El nmero de formas de extraer dos bolas de 11 es (

11
)
2

Cada uno de estos son igualmente posibles.

5
Nmero de sucesos favorables al evento E: Existen ( ) formas de elegir una bola blanca
1
6
y ( ) formas de elegir una bola negra, entonces aplicando el principio de multiplicacin,
1
5 6
el nmero de sucesos favorables a E est dado( ) ( ), y aplicando la definicin clsica
1 1
es
6
(5) ( )
1 = 56 = 5 6 = 6
1
[] =
11!
11 5 11
(11)
2! 9!
2
(b) Con restitucin. Como en el caso anterior se pide calcular la probabilidad del evento E
= A1B2 U B1A2. Es evidente que
P[E]

= P[A1B2] + P[B1A2]
= P[A1] P[B2|A1] + P[B1] P[A2 | B1]
5

60

= 11 11 11 11 = 121
Ejemplo 7. En un sistema de alarma, la probabilidad que se produzca peligro es 0.10. Si
ste se produce la probabilidad que la alarma funcione es de 0.95. La probabilidad que
funcione la alarma sin haber ha' do peligro es 0.03. Determinar la probabilidad que haya
un peligro y 1 alarma no funcione.
Solucin Definimos los siguientes eventos:
P : "hay peligro",
F : "la alarma funciona". Entonces, F: "la alarma no funciona".
Luego, debemos determinar la probabilidad del evento:
P : "haya peligro y la alarma no funciona"
P[P] = P[P] p[ |P]
P[P] = 0.10. Si ocurre el evento P, P[F | P] = 0.95 pero
P[|P]= 1-P[F|P]= 1- 0.95 = 0.05.
Por lo tanto,

P[P] =

(0.10) (0.05)

0.005.

teorema 13.1

Fig. 13.12 rbol de probabilidades para el problema 7.

Teorema 13.1 Si A, B y C son eventos de , tales que P[A] 0 y P[AB] 0, entonces
[ | ] = [] [| ]
Demostracin. Consideremos dos eventos A B y C; de la definicin
condicional
[ | ] =

de probabilidad

[ ]
[ ]
[[ |] =
[
[]

[][|][ | ] = []

[A B] P[A B C]
x
P[A]
P[A B]

= [ ]
El siguiente teorema es una generalizacin del teorema anterior.
Teorema 13.2 Si A1 , A2, ..., An son eventos de un espacio muestral finito y
An] 0, entonces

P[A 1 A2

P[A1 A2 An] = P[A1] P[A2|A1] P[A3|A1A2].

la demostracin queda como ejercicio para el lector interesado.

Ejemplo 8. Dos establos A y B tienen 1,000 cabezas de vacuno cada uno. Existe una
epidemia que afecta a los cascos y la boca del ganado. La proporcin de ganados
1

afectados con y

respectivamente (por establo).

Se escoge un ganado al azar.

(a) Cul es la probabilidad que el ganado escogido viene del rancho y tiene afeccin a
los cascos y la boca?.
(b) Si el 70% de los ganados afectados tienen edad menor que un ao, cul es la
probabilidad que el ganado escogido venga del rancho B, tiene| afeccin y es mayor
que un ao de edad?
Solucin.

Definimos los siguientes eventos:

A: "el ganado escogido es del rancho A"

B: "el ganado escogido es del rancho B"

E: "el ganado tiene afeccin al casco y la boca"
(a) Debemos calcular
P[AE] = P[A] P[E|A] =

1000
2000

10

(b) Definimos el evento F: la vaca escogida tenga edad mayor que un ao. Entonces,
P[BEE] = P[B] P[E|B] P[F|(BE)]
1000

75

= 2000 4 250 = 2 4 10 = 80
ya que en el rancho B hay 250 ganados afectados y de estos el 30% son mayores que un
ao de edad.

Fig. 13.13 rbol de probabilidad para el problema 8

Ejemplo 9. Un lote de 100 fusibles contiene 2 fusibles defectuosos. Si se prueban los

fusibles uno por uno, cul es la probabilidad que el ltimo fusible defectuoso sea
detectado en la tercera prueba?
Solucin. Definimos los siguientes eventos.
Dij: el i-simo defectuoso se obtuvo en la extraccin i = 1,2 ; j = 1,2,3
Bij: el i-simo bueno se obtuvo en la j-sima extraccin j = 1,2, ; j = 1,2,3
E: el ltimo fusible defectuoso es detectado en la tercera prueba

En el diagrama del rbol de probabilidades, podemos seguir slo por las ramas que
cumplen las condiciones requeridas por el evento cuya probabilidad se quiere calcular (en

nuestro caso el evento E) y llegar solamente a los resultados favorables a dicho evento.
Para el problema en cuestin, siguiendo este proceso se obtiene el rbol de
probabilidades de la fig. 1.7.12. De donde el evento E se escribe
E = D11 B12 D23 U B11 D12 D23
Luego,

P[E]

= P[D11 B12 D23] + P[D11 B12 D23]

= P[D11] P[B12|D11] P[D23 | D11 B12] + P[B11]
P[D12|B11] P[D23|B11D12]
2

98

98

= 100 . 99 . 98 . + 100 . 99 . 98

Ejemplo 10. Un lote de 100 lmparas contiene 10 piezas defectuosas. Si se selecciona 3

lmparas aleatoriamente, cul es la probabilidad que slo una sea defectuosa?
Primer mtodo. Definimos Tos siguientes eventos:
D : "se selecciona una lmpara defectuosa".
N : "se selecciona una lmpara no defectuosa".
A : "slo una sea defectuosa de las tres extradas"
Siguiendo el mismo proceso del ejemplo anterior se obtiene el diagrama del rbol de
probabilidades de la fig. 1.7.13. De donde
A = NND U NQN U ONN

Eventos Favorables a A

Fig. 13.14

P[A]

= P[NND] + P[NDN] + P[DNN]

=

90 89 10 90 10 89
. . .
. .
100 99 98 100 99 98

89
89
89
267
+
+
=
= 0.2476
1098 1198 1198 1078

10 90 89
. .
100 99 98

100
). Como el
Segundo mtodo. El nmero de elementos del espacio muestral es (
3
10 90
evento A contiene 1 defectuoso y 2 no defectuoso, entonces A tiene ( ) ( )
1
2
elementos. Luego, por la definicin clsica es

(10) (90) 10 90!

88! 2! = 389 = 267 = 0.2476
2 =
[] = 1
100
100!
1198 1078
(
)
97! 3!
3

Ejemplo 11. Un grupo que consta de 5 hombres y 10 mujeres se divide al azar en cinco
grupos de tres personas cada uno. Calcular la probabilidad
que en cada grupo haya
un hombre.
Solucin. Definimos los siguientes eventos:
Ai : "en el grupo haya un hombre (i = 1,2,3,4,5)".
A : "en cada grupo de 3 personas haya un hombre".
El evento A se escribe as, A = A 1A2A3A4A5 , Luego,
P[A] = P[A1] P[A2 | A1] P[A3 | A1A2] P(A4I A1A2A3] P[A5 | A1A2A3A4]
(5) (10) (4) (8) (3) (6) (2) (4) 1
= 1 2 . 1 2 . 1 2 . 1 2 .
12
12
6
(15)
( )
( )
( ) 1
3
3
3
3
5! 10! 4! 8!
3! 6!
4!

2!
4!
8!
2!
3!
2!
6!
2!
2!
4!
2!
2! 1
=

12!
6!
6!
15!
3! 9!
3! 6!
3! 3!
3! 12!
=

5! 10! 35
= 0.081
15!

Ejemplo 12. En un cajn hay 80 tubos buenos y 20 malos; en un segundo cajn el 30%
son malos y en un tercer cajn, el 25% son malos. Se sabe que ni nmero de tubos del
tercer cajn es el triple de los que hay en el segundo y en total hay 260 tubos. Se mezclan
los tubos de las tres cajas.
(a) Al extraer, al azar, un tubo; calcule la probabilidad que sea malo, si se sabe que
pertenece al segundo cajn.
(b) Al extraer, al azar, 2 tubos; calcule la probabilidad que el primero y el segundo sean
malos.
Solucin. Sea x el nmero de tubos en el segundo cajn, o sea
100 + x + 3x = 260,
de donde x = 40 , y 3x = 120 .
Entonces, en la primera caja hay 100 tubos de los cuales 80 son buenos y 20 malos; en el
segundo cajn hay 40 tubos de los cuales 28 son buenos y 12 malos; y en el tercer cajn
hay 120 tubos de los cuales 90 son buenos y 30 malos.
(b) Sea D, el evento: "obtener un tubo defectuoso" y C: "el tubo pertenece al segundo
cajn".
Luego,
[|] =

[] 12260 12
=
=
= 0.3
40
[]
40
260

(c) Sea D, el evento: "obtener el primer y el segundo tubo defectuoso. "Entonces,

D = D1D2
[] = [1 ][2 |1 ] =

62 61
3782

=
= 0.056
260 259 57340

Ejemplo 13. Una caja contiene 7 tarjetas marcadas, "sin, premio': y 5 con "premio mayor".
En un concurso, dos personas A y B, extraen tarjetas de la caja en forma alternada hasta
que una de ellas saca una marcada con el "premio mayor". Si A selecciona la tarjeta en
primer lugar, cul es la probabilidad que extraiga una con "premio mayor"?
Solucin. Definimos los siguientes eventos:
Ai : "el jugador A obtiene la tarjeta con premio mayor en su i-sima jugada".
Bj : "el jugador B obtiene la tarjeta con premio mayor en su j-sima jugada".
Ap : "el jugador A extrae una tarjeta con premio mayor".
El evento Ap se escribe, Ap = A1 U A1B1A2 U A1B1A2B2A3 U A1B1A2B2A3B3A4

Luego,
P[Ap] = P[A1] P[A1B1A2] + P[A1B1A2B2A3] + P[A1B1A2B2A3B3A4]
=

5
7 6 5
7 6 5 4 5 7 6 5 4 3 2 5
+ . .
+ . . . . + . . . . . .
12 12 11 100 12 11 10 9 8 12 11 10 9 8 7 6

248
62
=
= 0.63
12113 99

El diagrama del rbol de probabilidad para este problema se muestra en la fig. 13.15

Fig. 13.15

Ejemplo 14. Una urna contiene 10 bolas, 5 marcadas con la letra A y 5 bolas marcadas
con la letra B, Dos jugadores, A y B juegan de la siguiente forma: comienza el jugador A
extrayendo una bola y a continuacin B realiza tambin una extraccin, y as
alternadamente. Las extracciones se hacen sin reposicin. Gana el primer jugador que
extraiga una bola con su letra (A una bola A y B una bola B).
(a) Cul es la probabilidad

que gane el jugador A? Cul de B?

(b) Cul es la probabilidad

que no gane ninguno de los dos?

Solucin. Definimos los siguientes eventos;

GA "gana el jugador A"
GB "gana el jugador B"
GN "no gana ninguno de los jugadores"
AK (K = 1,2,... ): "En la K-sima extraccin se obtiene una bola marcada con A"
BK(K = 1,2,... ): "En la K-sima extraccin se obtiene una bola nrar cada con B"
Consideremos el diagrama del rbol de probabilidad de la fig. 13.16

Fig. 13.16

(a) De este diagrama obtenemos:

5
5 5 4 5 5 4 4 3 5 5 4 4 3
+ + +
10 10 9 8 10 9 8 7 6 10 9 8 7 6
3 2 5 5 4 4 3 3 2 2 1 175
+ =
5 4 10 9 8 7 6 5 4 3 2 252

[ ] =

5 4 5 5 4 3 5 5 4 4 3 2 5 5 4 4

10 9 10 9 8 7 10 9 8 7 6 5 40 9 8 7
3 3 2 1
76
=
6 5 4 3 252

[ ] =

(b) No gana ninguno de los jugadores, cuando A saque todas las bolas marca das con B y
B todas las bolas marcadas con A, o sea
[ ] =

5 5 4 4 3 3 2 2 1
1
1=
10 9 8 7 6 5 4 3 2
252

Revisin de las estimaciones anteriores de probabilidades: teorema de Bayes

Al inicio de la temporada de bisbol, los seguidores del equipo ganador de la temporada
anterior creen que ste tiene buenas posibilidades de ganar nuevamente. Sin embargo, a
poco del arranque de temporada, el shortstop tiene que quedarse en la banca debido a
una lesin y el principal rival del equipo contrata a un gran bateador, famoso por sus
cuadrangulares. El equipo campen- empieza a perder. Casi al final de la temporada, sus
seguidores se dan cuenta que deben cambiar sus anteriores probabilidades de ganar.
Una situacin similar se presenta en el mbito de los negocios. Si la administradora de
una bou-tique encuentra que la mayora de las chamarras deportivas color prpura y
amarillas que pens se iban a vender muy bien, todava estn colgadas en los
exhibidores, entonces tiene que revisar las probabilidades anteriores y ordenar una
combinacin diferente de color o ponerlas en oferta.
En ambos casos, ciertas probabilidades fueron alteradas despus de que los interesados
obtuvieron informacin adicional. Las nuevas probabilidades se conocen como
probabilidades revisadas o posteriores. Como stas pueden revisarse en la medida que
hay ms informacin, la teora de probabilidad adquiere gran valor para la toma de
decisiones empresariales.
El origen del concepto de la obtencin de probabilidades posteriores con informacin
limitada se atribuye al reverendo Thomas Bayes (1702-1761). La frmula bsica para la
probabilidad condicional en circunstancias de dependencia
( |) =

()
()

Ecua. 13.6

se conoce como teorema de Bayes.

El teorema de Bayes ofrece un potente mtodo estadstico para evaluar nueva
informacin y revisar nuestras anteriores estimaciones (basadas slo en informacin
limitada) de la probabilidad de que las cosas se encuentren en un estado o en otro. Si es
utilizado de manera correcta, se hace in-necesario reunir grandes cantidades de datos en
un perodo grande con el fin de tomar mejores decisiones, basadas en probabilidades.

Clculo de probabilidades posteriores

Como primer ejemplo de revisin de probabilidades anteriores, suponga que tenemos una
cantidad igual de dos tipos de dados anormales (cargados) en un recipiente. En la mitad
de stos, un as (o un punto) se presenta 40% de las veces; por tanto P(as) = 0.4. En la
otra mitad, un as se presenta el 70% de las veces P(as) = 0.7. A la primera clase de
dados la llamaremos tipo 1, y a la segunda tipo 2. Se saca un dado del recipiente y se le
lanza una vez, el resultado es un as. Cul es la probabilidad de que el dado sea del tipo
1? Sabiendo que el recipiente contiene el mismo nmero de dados de dad de que el dado
sea del upo 1? Sabiendo que el recipiente contiene el mismo nmero de dados de cada
tipo, podemos contestar incorrectamente que la probabilidad es de un medio; pero
podemos hacer una mejor estimacin. Para responder a la pregunta de manera correcta,
construimos la tabla 13.5.
La suma de las probabilidades de los eventos elementales (el sacar un dado del tipo 1 o
del tipo 2) es de 1.0, ya que solamente tenemos dos tipos de dados. La probabilidad de
cada tipo es de 0.5. Las dos clases de dados constituyen una lista mutuamente
excluyente y colectivamente exhaustiva.
La suma de P(as | evento elemental) no es igual a 1.0. Las cantidades 0.4 y 0.7
simplemente re-presentan las probabilidades condicionales de obtener un as, dado que se
obtuvo un dado del tipo 1 o del tipo 2, respectivamente.
La cuarta columna muestra la probabilidad conjunta de obtener un as y un dado del tipo 1
(0.4 x 0.5 = 0.20) y la probabilidad conjunta de obtener un as y un dado del tipo 2 (0.7 X
0.5 = 0.35). La suma de estas probabilidades conjuntas (0.55) es ia probabilidad marginal
de obtener un as. Note que en cada caso, la probabilidad conjunta fue obtenida mediante
la frmula:
() = (| )()

[13.7]

Para encontrar la probabilidad de que el dado que sacamos sea del tipo 1, utilizamos la
frmula para la probabilidad condicional bajo condiciones de dependencia estadstica
(|) =

()
()

[13.8]

Aplicndola a nuestro problema, tenemos:

( 1|) =

( 1, )
()

( 1|) =

0.20
= 0364
0.55

Por consiguiente, la probabilidad de que hayamos sacado un dado del tipo 1 es de 0.364.
Calculemos la probabilidad de que el dado sea del tipo 2:
( 2|) =

( 2, ) 0.35
=
= 0.636
()
0.55

Qu hemos logrado con una porcin adicional de informacin que lleg a nuestras
manos? Qu inferencias hemos sido capaces de alcanzar a partir de un lanzamiento del
dado? Antes de que lancemos este dado, lo mejor que podemos decir es que hay una
probabilidad de 0.5 de que el dado sea del tipo 1 y la misma probabilidad de que sea del
tipo 2. Sin embargo, despus de lanzar el dado hemos sido capaces de alterar o revisar
nuestra estimacin anterior de probabilidad. Nuestra estimacin posterior es que existe
una probabilidad ms grande (0.636) de que el dado que tenemos en las manos sea del
tipo 2 que del tipo 1 (sta slo de 0.364).

Tabla 13.5

Bsqueda

de

la

probabilidad marginal de
obtener un as

Evento

Probabilidad

P(as

P(as,

elemental

del

evento

elemental)*

evento

evento

elemental

elemental)

Tipo 1

0.5

0.4

0.4 x 0.5 = 0.20

tipo 2

0.5

0.7

0.7 x 0.5 = 035

1.0

P(as) = 0.55

*Se utiliza la coma para separar los eventos conjuntos. Podemos poner juntas letras
individuales para indicar, sin que haya confusin, eventos conjuntos (por ejemplo, AB),
pero al poner juntas palabras completas produciramos eventos de apariencia extraa
(aseventoelemental), que podran ocasionar confusin.

Probabilidades posteriores con ms informacin

Podemos tener la sensacin de que un lanzamiento del dado no es suficiente para indicar
sus caractersticas (s es del tipo 1 o del tipo 2). En este caso, podemos obtener
informacin adicional median-te un nuevo lanzamiento del dado (desde luego que obtener
ms informacin en la mayora de las situaciones de toma de decisiones es ms
complicado y lleva ms tiempo). Suponga que se lanza el mismo dado una segunda vez y
de nuevo se obtiene un as. Cul es la probabilidad de que el dado sea del tipo 1? Para
determinar la respuesta consultemos la tabla 13.6.
En esta tabla tenemos una nueva columna, P (2 ases | evento elemental), la cual da la
probabilidad conjunta de obtener dos ases en dos lanzamientos consecutivos si el dado
es del tipo 1: P (2 ases | tipo 1) = 0.4 X 0.4 = 0.16; y si es del tipo 2: P (2 ases | tipo 2) =
0.7 X 0.7 = 0.49. En la ltima columna vemos las probabilidades conjuntas de obtener dos
ases en dos lanzamientos consecutivos y los eventos elementales (tipo 1 y tipo 2). Es
decir, P (2 ases, tipo 1) es igual a P (2 ases | tipo 1) por la probabilidad de obtener del tipo
1, o 0.16X0.5 = 0.080 y P (2 ases, tipo 2) es igual a P (2 ases, tipo 2) por la probabilidad
de obtener del tipo 2, o 0.49 X 0.5 = 0.245. La suma de estas probabilidades (0.325) es la
probabilidad marginal de obtener dos ases en dos lanzamientos consecutivos.
Ahora ya estamos listos para calcular la probabilidad de que el dado que sacamos sea del
tipo 1, puesto que sali un as en cada uno de los dos lanzamientos consecutivos.
Utilizando la misma frmula general como antes, tenemos que:
(1|2 ) =

( 1, 2 ) 0.080
=
= 0.246
(2 )
0.325

(2|2 ) =

( 22 ) 0.245
=
= 0.754
(2 )
0.325

Igualmente

Qu hemos obtenido con dos lanzamientos? Cuando sacamos el dado, todo lo que
sabamos era que haba probabilidades iguales de que ste fuera del tipo 1 o del tipo 2.
En otras palabras, exista la posibilidad 50-50 de que fuera del tipo 1 o del 2. Despus de
lanzar el dado una vez y haber obtenido un as, revisamos estas probabilidades originales
y concluimos lo siguiente:

Probabilidad de que sea del upo 1, dado que se obtuvo un as = 0.364 Probabilidad de que
sea del tipo 2, dado que se obtuvo un as = 0.636
Despus del segundo lanzamiento (obteniendo otro as), revisamos las probabilidades de
nuevo:
Probabilidad de que sea del tipo 1, dado que se obtuvieron dos ases = 0.246 Probabilidad
de que sea del tipo 2, dado que se obtuvieron dos ases = 0.754
As pues, hemos cambiado las probabilidades originales de 0.5 para cada tipo a 0.246
para el tipo 1 y 0.754 para el 2. Esto significa que ahora podemos asignar una
probabilidad de 0.754 a que si obtenemos dos ases en dos lanzamientos consecutivos el
dado es del tipo 2.
En ambos experimentos, obtuvimos nueva informacin gratis. Fuimos capaces de lanzar
el dado dos veces, observar su comportamiento y hacer inferencias a partir del
comportamiento, sin que esto implicara ningn costo.
Tabla 13.6

Bsqueda

de

la

probabilidad
marginal

de

Evento

Probabilidad

P(as

P(2 ases

P(as,

elemental

del

evento

evento

elemental)

elemental

elemental)

elemental

Tipo 1

0.5

0.4

0.16

0.16

tipo 2

0.5

0.7

0.49

0.080

evento

1.0

0.49

evento

0.5

0.5

obtener dos ases

0.245

en

P(2 ases) = 0.325

dos

lanzamientos
consecutivos

Obviamente, existen pocas situaciones en las que lo anterior es cierto, y los

administradores no solamente deben entender cmo utilizar la nueva informacin para
revisar sus probabilidades anteriores, sino qu deben tambin tener la capacidad de
determinar cunto vale esa informacin. En muchos casos, el valor de la informacin
obtenida puede ser considerablemente menor que su costo.

Un problema relacionado con tres elementos de informacin

Considere el problema del equipo de una liga menor de bisbol que utiliza una mquina
de lanzamientos automtica para su entrenamiento. Si la mquina se coloca de manera
correcta, es decir, ajustada apropiadamente, lanzar strikes 85% de las veces. Si se le
coloca incorrectamente, lanzar strikes slo en 35% de los lanzamientos. La experiencia
pasada indica que 75% de las veces que se coloca la mquina se hace de manera
correcta. Un da, despus de que la mquina ha sido colocada para una prctica de
bateo, lanza tres strikes en los primeros tres lanzamientos. Cul es la probabilidad
revisada de que la mquina est bien colocada? En la tabla 13.7 se ilustra la manera en
que podemos responder esta pregunta.
Podemos interpretar los encabezados numerados de la tabla 13.7 de la siguiente manera:
1. P (evento) describe las probabilidades individuales de colocar la mquina correcta e
incorrectamente. P (correcta) = 0.75, se dice en el problema. Por tanto, podemos
calcular:
P (incorrecta) = 1.00 P (correcta) = 1.00 - 0.75 = 0.25
2. P (1 strkeevento) representa la probabilidad de tener un strike, dado que la
colocacin es correcta o incorrecta. Estas probabilidades se dan en el problema.
3. P (3 strikesevento) es la probabilidad de obtener tres strikes en tres lanzamientos
consecutivos, dado el evento, es decir, dada una colocacin correcta o incorrecta de la
mquina. Las probabilidades se calculan de la siguiente manera:
P (3 strikescorrecta) = 0.85 X 0.85 x 0.85 = 0.6141
P (3 strikesincorrecta) = 0.35 X 0.35 X 0.35 - 0.0429
4. P (evento, 3 strikes) es la probabilidad de que se presenten conjuntamente el evento
(colocacin correcta o incorrecta) y tres strikes. Podemos calcular la probabilidad de la
manera siguiente:
P (correcta, 3 strikes) = 0.6141 X 0.75 = 0.4606
P (incorrecta, 3 strikes) = 0.0429 X 0.25 = 0.0107

Observe que si A = evento y 5 = strike, entonces las dos ltimas probabilidades se ajustan
a la frmula matemtica general para probabilidades conjuntas en condiciones de
dependencia: P(AS) = P(SA) = P(5|A) x P(4), ecuacin 13.7.
Evento

Tabla 13.7

P(evento)

P(1 strike

P(3

P(evento,

Evento)

strikes

3 strikes) (4)

evento
Probabilidades
posteriores
tres pruebas

con

Correcta

0.75

0.85

0.6141

0.6141

Incorrecta

0.25

0.35

0.0429

0.4606

1.00

0.0429

0.75

0.25

0.0107
P(3 strikes) = 0.4713

Despus de realizar el clculo de la tabla 13.7, estamos listos para determinar la

probabilidad visada de que la mquina est correctamente instalada. Utilizamos la frmula
general:

(|) =

()
()

Ecua. 13.9

y la aplicamos a nuestro caso particular:

(|3 ) =

(, 3 )
(3 )

0.4606
= 0.9773
0.4713

La probabilidad posterior te que la mquina est correctamente colocada es de 0.9773 o

de 97.73%. As pues, hemos revisado nuestra probabilidad original de que la mquina
est instalada correctamente y la probabilidad cambi de 75 a 97.73%, basados en la
obtencin de tres strikes en tres lanzamientos.

Probabilidades posteriores con resultados inconsistentes

En todos los problemas analizados hasta aqu, el comportamiento del experimento ha sido
consistente: se obtuvo un as con el dado en dos lanzamientos consecutivos y la mquina
automtica lanz tres strikes en tres lanzamientos seguidos. En la mayora de las
situaciones, podramos esperar una distribucin menos consistente de resultados. En el
caso de la mquina de lanzamientos, por ejemplo, pudimos haber tenido cinco
lanzamientos con el siguiente resultado: strike, bola, strike, strike, strike. En esta
situacin, el clculo de nuestra probabilidad posterior de que la mquina est
correctamente instalada, en realidad no implica ms dificultad que en el caso en que se
tienen resultados perfectamente consistentes. Utilizando la notacin 5 = strike y B = bola,
hemos resuelto esta situacin en la tabla 13.8.

Tabla 13.8

Evento

P(evento)

P(Sevento)

P(SBSSSevento)

P(evento, SBSSS)

Probabilidades

Correcta

0.75

0.85

0.85 x 0.15 x 0.85 x 0.85 x 0.85 =

0.7830

posteriores

Incorrecta

0.25

0.35

0.07830

0.05873

0.35 x 0.62 x 0.35 x 0.35 x 0.35 =

0.00975 x 0.25 =

0.00975

0.00244

con resultados

1.00

inconsistentes

0.75

P(SBSSS) = 0.06117

( |) =
=

( , )
()

0.05873
0.06117

=0.9601

El teorema de Bayes es un procedimiento formal que permite a los tomadores de

decisiones combinar la teora de probabilidad clsica con su mejor sentido intuitivo acerca
de lo que es posible que ocurra. Advertencia: el valor real del teorema de Bayes no est
en el lgebra sino en la habilidad de los administradores bien informados para hacer
buenas predicciones del futuro. Sugerencia: en todas las situaciones en las que se use el
teorema de Bayes, primero utilice todos los datos histricos disponibles y despus (y slo
entonces) agregue su propio juicio intuitivo al proceso. La intuicin usada para hacer
predicciones acerca de cosas que ya estn bien descritas estadsticamente est mal
dirigida.