Probabilidad y Combinatoria

Actualizado: Luis Fernando Torres Quitora

Fecha de actualización: 16/12/2020

1
 INTRODUCCIÓN

La teoría de las probabilidades es la ciencia que determina la posibilidad de que ocurran los
experimentos aleatorios utilizando una medida designada cómo “probabilidad”. La
importancia de esta ciencia dentro de la estadística y áreas transversales del conocimiento
radica en que proporciona los recursos para modelar y predecir situaciones relacionadas con
la incertidumbre, por ejemplo “la probabilidad de ganar las elecciones de un determinado
candidato a la presidencia”, “la probabilidad de ganar la copa del mundo por el equipo de Brasil”
o “la probabilidad de que este año se arregle la huelga de una empresa estatal”.

Los contenidos principales de esta unidad temática se centran en:

• Definiciones básicas: experimento aleatorio, espacio muestral y clases de sucesos
• Combinatoria: técnicas para contar arreglos o grupos de elementos en un conjunto, se
clasifican en permutaciones, variaciones y combinaciones.
• Probabilidad: definición de probabilidad simple, reglas aditivas, probabilidad
condicional y reglas multiplicativas.
• Regla de Bayes: diagrama de árbol, teorema de la probabilidad total y regla de Bayes.

1. Unidad temática 1 Teoría de las probabilidades

1.1 Introducción

En el anterior módulo, se organizaron y representaron los datos mediante el uso de las

distribuciones de frecuencias. Uno de los indicadores que daba una información relevante
acerca de las frecuencias de los datos era la frecuencia relativa, que no es más que el porcentaje
que representa un dato o un grupo de datos en el 100% de los datos. Con el porcentaje se
representan los datos mediante gráficas de barras, líneas o circulares.

En este módulo la frecuencia relativa, recibe el nombre de probabilidad y dada la importancia

de este concepto, nace la necesidad de estudiar más a fondo sus propiedades y teoremas.

1.2. Marco conceptual

1.2.1. Definiciones básicas

Un experimento aleatorio es aquel fenómeno en el que sus posibles resultados depende del azar
haciendo que no sea posible predecir su resultado con exactitud.

Ejemplo 1.2.1.1. Lanzar dos dados los resultados serían:

1,1; 1,2; 1,3; …

2
Un espacio muestral es el conjunto de todos los posibles resultados posibles de un experimento
aleatorio, se representa con la letra S. (Triola, 2013)

Ejemplo 1.2.1.2. Lanzar dos dados y anotar el resultado de la suma de los puntos obtenidos:
S= {2,3,4,5,6,7,8,9,10,11,12}

Ejemplo 1.2.1.3. Lanzar un dado y ver que sale:

S= {1,2,3,4,5,6}

Un suceso es un conjunto de resultados o consecuencias de un procedimiento o experimento

aleatorio. (Triola, 2013)

Ejemplo 1.2.1.4. En el ejemplo anterior, los subconjuntos de S son:

Salir par: A= {2,4,6}

Salir impar: B= {1,3,5}
Salir múltiplo de 3: C = {3,6}

Dentro de los sucesos hay algunas clasificaciones principales que se presentan a continuación.

Suceso elemental: es un suceso que ya no se puede desglosar en componentes más simples.

(Triola, 2013)

Ejemplo 1.2.1.5. Tirando un dado un suceso elemental es sacar 5.

Suceso compuesto: es cualquier subconjunto del espacio muestral.

Ejemplo 1.2.1.6. Tirando un dado un suceso sería que saliera par, otro, obtener múltiplo de 3.

Suceso seguro: está formado el espacio muestral S.

Ejemplo 1.2.1.7. Tirando un dado obtener una puntuación que sea menor que 7.

Suceso imposible: es el suceso que no tiene ningún elemento, se representa con el símbolo ∅.

Ejemplo 1.2.1.8. Tirando un dado obtener una puntuación de 7.

1.2.2. Combinatoria

Se introduce el concepto de combinatoria con el fin de poder contar los posibles resultados de
un experimento aleatoria y sus sucesos, cuando el número de elementos o agrupaciones se hace
muy grande, cómo se verá en los ejemplos siguientes.

3
Hay distintas formas de combinatorias dependiendo si se repiten los resultados, si no se
repiten, si se ordenan o si no se ordenan, a continuación, se mostrarán las fórmulas y ejemplos.

1.2.2.1. Permutaciones

Una colección de n elementos distintos se puede acomodar de n! formas diferentes. (Triola, 2013)

𝑛! = 𝑛(𝑛 − 1)(𝑛 − 2) ∙∙∙ 2 ∙ 1

Obsérvese que en las permutaciones se le da importancia al orden, pero no a la repetición y estas

condiciones permite el uso de esta fórmula.

Ejemplo 12.2.1: ¿De cuántas maneras distintas podemos alinear a 8 personas en una fila?

Primero debe observarse si en este experimento su conteo corresponde a una permutación,

para ello se analiza que a alinear a “n” personas en una fila es importante el orden o el lugar que
ocupa cada persona (no es igual que por ejemplo Juana ocupe el tercer puesto a que ocupe el
quinto son eventos diferentes) y que las personas no se repiten en la fila, entonces se concluye
que se cumplen las condiciones necesarias para aplicar la fórmula de la permutación, cómo
sigue:

𝑛 = 8, 𝑝𝑒𝑟𝑠𝑜𝑛𝑎𝑠 𝑦 𝑠𝑒 𝑒𝑙 𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑜𝑟𝑑𝑒𝑛𝑎𝑐𝑖𝑜𝑛𝑒𝑠 𝑒𝑠

8! = 8 ∙ 7 ∙ 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1 = 40.320

Luego se tiene que hay 40.320 maneras de alinear en una fila a 8 personas.

1.2.2.2. Variaciones sin repetición

Dado un conjunto de n elementos. Supone que se desea ordenar r elementos de entre los n
sin repeticiones. Cada uno de estos arreglos se denomina variación.

El número de variaciones que se pueden hacer de los n elementos tomados de r en r arreglos

es:

𝑛!
𝑉𝑛𝑟 = = 𝑛 ∙ (𝑛 − 1) ∙∙∙ (𝑛 − (𝑟 + 1))
(𝑛 − 𝑟)!

Recuperado de https://goo.gl/UJK1Te

Ejemplo 1.2.1.2. En una carrera de BMX compiten diez ciclistas. ¿De cuántas maneras distintas
podría estar formado el podio, si el podio lo conforman los tres primeros ciclistas que queden
en los tres primeros lugares de la carrera?

4
 Cada lugar en el podio, oro, plata y bronce es una variación porque el orden de llegada a la recta
final de la carrera importe, por ejemplo, es diferente que el competidor Alberto llegue de
primeras de segundas o terceras para ordenarse en el podio, además cada competidos es único
y no es posible que obtenga en el podio más de una medalla. Cumpliendo las condiciones se
sabe que este conteo es una variación de tres elementos en un conjunto diez elementos.

• Cada podio posible es una variación de diez elementos tomado de tres en tres.
• Por lo tanto, el número posible en el que podio puede estar agrupado con 10 competidores es:
r=3 y n=10
3
10! 10! 10 ∙ 9 ∙ 8 ∙ 7 ∙ 6 ∙ 5 ∙ 4 ∙ 3 ∙ 2 ∙ 1
𝑉10 = = =
(10 − 3)! 7! 7∙6∙5∙4∙3∙2∙1
= 10 ∙ 9 ∙ 8 = 720

1.2.2.3 Variaciones con repetición

Sea un conjunto de n elementos. En esta combinatoria se trata de ordenar r elementos que

pueden estar repetidos. Cada arreglo es una variación con repetición.

El número de variaciones con repetición para un conjunto de n tomados de r en r arreglos es:

𝑉𝑅𝑛𝑟 = 𝑛𝑟

Ejemplo 1.2.2.3. En una urna tenemos cinco balotas numeradas del 1 al 7. Se extraen dos balotas
sucesivamente con reposición (devolviendo cada vez la bola a la urna). ¿Cuántos resultados
distintos es posible obtener?

Se tiene que se extraen las balotas con reposición, es decir cada vez que se extrae una balota esta
se vuelve a colocar en la urna, por lo tanto, existe la posibilidad de que, si se extrae la balota 5
en la primera selección, se repita en la segunda elección la misma balota, por lo tanto, se trata
de una variación con repetición de dos balotas de un conjunto de siete balotas y el conteo
quedaría: r= 2 y n= 7

𝑅𝑉72 = 72 = 49
Luego se tiene que de 49 maneras diferentes se pueden extraer dos balotas con reposición de
un conjunto de siete balotas distintas.
1.2.2.4 Combinaciones

Cuando se trata de contar el número de subconjuntos (no importa el orden y no se repiten)

de r elementos en un conjunto de n elementos tenemos lo que se denomina combinaciones
de r elementos en un conjunto de n.
El cálculo del contaje se hace mediante el número combinatorio, de la manera siguiente:

5
 𝑛 𝑛!
𝐶𝑛𝑟 = ( ) =
𝑟 (𝑛 − 𝑟)! 𝑟!

Ejemplo 1.2.2.4. ¿De cuántas maneras podemos elegir dos balotas de la misma urna de siete
balotas numeradas del 1 al 7en la urna con una única extracción y donde el orden con el que se
extraen las balotas no tiene ninguna incidencia? (Universidad de Barcelona adecuado por el
autor).
Nótese que se indica que la extracción de las balotas es única, esto quiere decir que, si se extrae,
por ejemplo, la balota uno en la primera selección, esta no se vuelve a reponer y no es posible
extraer en la segunda selección la misma balota. Además, el orden de elección de las balotas no
importa, por lo tanto, se tiene: r=2 y n=7
7! 7! 7∙6∙5∙4∙3∙2∙1 7∙6
𝐶72 = (72)=2!(7−2)!=2!5!=2∙1∙5∙4∙3∙2∙1 = 2∙1 = 21

De 21 maneras se pueden elegir dos balotas de siente balotas diferentes con elección única y
sin que tenga incidencia el orden de la selección.

1.2.2.5 Combinaciones con repetición

Cuando se trata de contar el número de subconjuntos (no importa el orden y sí se repiten)

de r elementos en un conjunto de n elementos se tiene lo que se denomina combinaciones
de r elementos en un conjunto de n. La fórmula es:

𝑛+𝑟−1 (𝑛 + 𝑟 − 1)!
𝐶𝑅𝑛𝑟 = ( )=
𝑟 𝑟! (𝑛 − 1)!

Ejemplo 1.2.2.5. En una licorera hay cinco tipos diferentes de botellas de vino. ¿De cuántas
formas se pueden elegir cuatro botellas de vino?
Se eligen 4 elementos, no importa el orden, es decir da igual que se elijan 2 botellas un tipo de
vino A y 2 de un tipo de vino B y viceversa.
Sí se repiten los elementos. Puede elegir más de una botella del mismo tipo.
5+4−1 (5 + 4 − 1)! 8!
CR45 = ( )= = = 70
4 4! (5 − 1)! 4! 4!
Se pueden elegir de 70 maneras las botellas de vino.

1.2.2.6. Permutaciones con repetición

Sea un conjunto de n elementos con las siguientes condiciones:

6
 • a elementos de un tipo
• b elementos de un tipo
• c elementos de un tipo, etc.

Cada arreglo de estos elementos se denomina permutación con repetición. La fórmula es:

𝑛!
𝑅𝑃𝑛𝑎,𝑏,𝑐,.. =
𝑎! 𝑏! 𝑐! …

Ejemplo 1.2.2.6: ¿Cuantas palabras con sentido o sin él pueden formarse con las letras
BACHATA?

Tenemos tres veces la letra A y una vez las demás letras.

A: 3 veces
B: 1 vez
C: 1 vez
H: 1 vez
T: 1 vez

Por tanto, serán:

7!
𝑅𝑃63,2,1 = 3!1!1!1!1! = 7 ∙ 6 ∙ 5 ∙ 4 = 840

Se puede formar 840 palabras con sentido o sin sentido

1.2.3. Definiciones y propiedades de las probabilidades

La probabilidad es un número asociado a un suceso que indica cuál es la posibilidad de que

ocurra dentro en un experimento aleatorio. El número está entre 0 y 1 o se puede representar
como porcentaje.

Sea A un suceso en un espacio muestral S, la probabilidad asociada a los sucesos de S “P”,

verifica los siguientes axiomas:

1.La probabilidad es positiva y menor o igual que 1.

0 ≤ P(A) ≤ 1
2. La probabilidad del suceso seguro es 1.
P(S) = 1
7
3. La probabilidad del suceso imposible es 0.
P(∅)=0

Para definir formalmente lo que es una probabilidad es necesario definir la ley de la place:
Sea A es un suceso en un espacio muestral, la probabilidad de que ocurra el suceso A es:

𝑛 (𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑎 𝐴)

𝑃(𝐴) =
𝑁 (𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑒𝑛 𝑆)

Ejemplo 1.2.3.1: Encontrar la probabilidad de que, al lanzar dos monedas al aire, amabas sean
caras.

Según la fórmula de la ley de Laplace se tiene:

Casos posibles: Todos los posibles resultados de lanzar dos monedas
Se extrae el conjunto S= {cc, cs, sc, ss}, es decir N= n(S)= 4, hay 4 casos posibles.

Casos favorables: Todo el caso favorable a que salga dos caras, sea A este suceso.
Se extrae del conjunto S el suceso A= {cc} , luego n=n(A)=1, hay 1 caso favorable.

Por lo tanto, la probabilidad de sacar dos caras es:

𝑛 1
P(A) = 𝑁 = 4

Ejemplo 1.2.3.2: En una baraja de 40 cartas, encontrar la probabilidad de que al extraer una
carta esta sea copa.
Casos Posibles: Todo el espacio muestral es las 40 cartas. Por ende, N=40
Casos Favorables: Sea a el suceso de que la carta extraída sea una copa, cómo la baraja de naipe
español es de 4 pintas distintas por ejemplo bastos, oros, espadas y copas, se tienen que hay 10
copas y por ende n=n(A)=10

Por la ley de Laplace se encuentra que la probabilidad es:

𝑛 10 1
P(A) = 𝑁 = 40 = 4

Hasta este momento se sabe calcular la probabilidad de un suceso A, pero que ocurre si hay más
de un suceso relacionado con la probabilidad, por ejemplo, si se tienen los sucesos A y B, ¿Cuál
es la probabilidad que ocurra A o B o que ocurran ambos a la vez, e incluso cuál es la
probabilidad de los complementos de A y B ocurran respectivamente? Para dar respuesta a
estas preguntas es necesario definir primero la dependencia e independencia de un suceso, así:

8
Dos sucesos A y B son independientes si la probabilidad de que ocurra A no influye en la
probabilidad de que ocurra B, en caso contrario se dice que A y B son sucesos dependientes.

Ejemplo 1.2.3.3. Se toma como experimento aleatorio lanzar un dado dos veces. Se definen los
sucesos siguientes:
A: que el resultado del lanzamiento se par: 2,4 y 6.
B: que el resultado del lanzamiento sea un múltiplo de 3: 3 y 6.

Se dice que A y B son sucesos independientes porque si ocurre primero A = {2,4,6} y este
resultado por ejemplo es 6, a pesar de que 6 está en la intersección de los sucesos, no influye en
los resultados del suceso B= {3,6}, puesto que en el nuevo lanzamiento se puede volver a repetir
el 6.

Si por ejemplo se pusiera la condición de que los sucesos no se pueden repetir y que si se repite
por segunda vez el resultado del dado, se vuelva a hacer otro lanzamiento hasta que no se repita,
las probabilidades cambiarían, así: por ejemplo si en el primer lanzamiento el resultado es 6
(pertenece a A) entonces como no se puede repetir, el segundo lanzamiento podría ser 3
(pertenece a B), por tanto si ocurre A en el primer lanzamiento influye en lo que ocurra en B en
el segundo lanzamiento en al menos un “resultado favorable” y se concluye que los sucesos son
dependientes.

Nota: Para poder definir la dependencia o independencia de los sucesos es necesario relacionar
esto con la posibilidad de repetir (muestreo con reemplazamientos) o no repetir (muestreo sin
reemplazamiento) en las n veces que se haga el experimento.

Ahora bien, la idea en lo que sigue definir la probabilidad de la unión de dos sucesos y cómo
esta depende de si estos son independientes o no. Dado A, B dos conjuntos que pueden ser
dependientes o independientes, se define la probabilidad de la unión entre A y B cómo:

𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)

Si además se tiene A y B son independientes entonces 𝑃(𝐴 ∩ 𝐵) = 0, entonces la fórmula queda:
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵)

Ejemplo 1.2.3.4. Tomando el ejemplo 1.2.3.3, se desea saber cuál es la probabilidad de que al
lanzar el dado se obtenga como resultado un número par o un múltiplo de 3, es decir 𝑃(𝐴 ∪ 𝐵):

3 2
Se tiene que 𝑃(𝐴) = 6, 𝑃(𝐵) = 6 , como A y B tienen en común el resultado 6 (puesto que este
número es par y múltiplo de 3), entonces la probabilidad de que ambos ocurran al tiempo es
1
1/6, matemáticamente 𝑃(𝐴 ∩ 𝐵) = 6, usando la fórmula se tiene:
3 2 1 4 2
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵) = + − = = = 0,66
6 6 6 6 3

Por lo tanto, la probabilidad de obtener un número par o un múltiplo de 3 es de 2/3 o el 66%.

9
Una primera fórmula que se deriva para la intersección de dos conjuntos A y B es despejando
la fórmula anterior:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∪ 𝐵)

Más adelante se mostrará otra fórmula muy útil para encontrar la probabilidad de la
intersección.

Por otra parte, es posible definir una fórmula para el complemento de un conjunto o suceso, sea
A un suceso del espacio muestral S, se define como A’ el suceso complementario de A es decir
el conjunto de todos los elementos que están en S (espacio muestral) y no están en A. Para
visualizarlo mejor lo que es el suceso complementario, por ejemplo, se define un suceso A “salir
dos caras” en el experimento aleatorio de lanzar dos monedas, entonces se tiene:

S= {(𝑐, 𝑐), (𝑠, 𝑐), (𝑐, 𝑠), (𝑠, 𝑠)} y 𝐴 = {(𝑐, 𝑐))}

Seleccionando la definición de A’ los elementos que están en S, pero no están en A se obtiene

𝐴′ = {(𝑠, 𝑐), (𝑐, 𝑠), (𝑠, 𝑠)}. De los resultados anteriores se deduce que 𝐴 ∪ 𝐴′ = 𝑆 y además 𝐴, 𝐴′
son sucesos independientes se tiene que 𝑃(𝐴 ∪ 𝐴′ ) = 𝑃(𝐴) + 𝑃(𝐴′ ) = 𝑃(𝑆) y por el axioma 2
de la probabilidad, la probabilidad del suceso seguro o espacio muestral es 𝑃(𝑆)=1, luego se
tiene 𝑃(𝐴) + 𝑃(𝐴′ ) = 1, despejando 𝑃(𝐴′ ) :

𝑃(𝐴′ ) = 1 − 𝑃(𝐴)

Esta fórmula es muy útil para encontrar distintas probabilidades, como se va a mostrar en el
siguiente ejemplo.

Ejemplo 1.2.3.5. En una entidad bancaria se ha hecho una encuesta a 60 clientes vía telefónica,
preguntando si están satisfechos o no con el servicio recibido por una determinada sucursal. El
75% ha dicho que, si está satisfecho con el servicio, ¿cuál es la probabilidad que los clientes no
estén satisfechos con el servicio?, ¿Cuántos clientes no están satisfechos con el servicio?

Se define A como el suceso de estar satisfechos con el servicio, se tiene que 𝑃(𝐴) = 0,75 y se
requiere hallar el suceso complementario de A, es decir 𝑃(𝐴’) = 1 − 0,75 = 0,25, por lo tanto,
el 25% no están satisfechos con el servicio. Para saber cuántos no están satisfechos se le saca el
25% a los 60 clientes encuestados, es decir 60 ∗ 0.25 = 15 y se tiene que 15 clientes indicaron
insatisfacción en el servicio.

1.2.4. Probabilidad condicional

10
Sean A y B dos sucesos de un mismo espacio muestral S. Se llama probabilidad condicional de
A dado que B ha ocurrido, se representa por P(A/B) y se dice “la probabilidad de A dado B”.
Para encontrar la P(A/B) se utiliza la siguiente fórmula:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴⁄𝐵) =
𝑃(𝐵)

Ejemplo 1.2.4.1. Retomando el ejemplo 1.2.3.3, calcular la probabilidad de obtener un resultado

par sabiendo que ha salido un múltiplo de 3. Los sucesos se definieron así:

A = {2,4,6}, números pares de 1 a 6.

B= {3,6}, múltiplos de 3 del 1 al 6.
𝐴 ∩ 𝐵 = {6}, intersección de A y B.

Lo que se desea encontrar es la probabilidad de obtener un múltiplo de 3, dado que se

obtuvieron números pares, lo que sería equivalente a calcular P(A/B).
Según la fórmula se debe encontrar 𝑃(𝐴 ∩ 𝐵), 𝑃(𝐵):

1
𝑃(𝐴 ∩ 𝐵) = P({6}) =
6
2
𝑃(𝐵) =
6

1
𝑃(𝐴 ∩ 𝐵) 6 1
𝑃(𝐴⁄𝐵) = = = = 0,5
𝑃(𝐵) 2 2
6

Luego la probabilidad de que salga par dado que es un múltiplo de 3 es de 0,5.

Anteriormente se había logrado una fórmula la unión e intersección de dos sucesos, con la
fórmula anterior despejado la intersección se tiene:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴/𝐵)𝑃(𝐵)

Esta fórmula es muy útil, como se mostrará en el siguiente ejemplo:

Ejemplo 1.2.4.2. Se tiene una baraja de póker que tiene 52 cartas, si se seleccionan dos cartas
de manera única, ¿cuál es la probabilidad de salgan una reina trébol y un trébol cualquiera?

A: Un trébol cualquiera (13 tréboles)

B: Reina de trébol (1 reina)

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴/𝐵)𝑃(𝐵)

11
Como la primera carta debe ser una reina de tréboles entonces la probabilidad de que ocurra B
es 1/52, luego cómo la selección es única del total de 52 se ha seleccionado 1 y quedarían 52 y
de los 13 tréboles ha salido la reina entonces al calcular la probabilidad de A condicionada a B
se tiene que es 12/51

12 1 1 1 1
𝑃(𝐴 ∩ 𝐵) = ∗ = ∗ =
51 52 17 13 221

Por otra parte, en el caso especial en que se tenga que dos sucesos A y B son independientes,
entonces P(A/B) =P(A) y por lo tanto la probabilidad de la intersección entre A y B es:

𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)

Ejemplo 1.2.4.3. Si se toma el ejemplo 1.2.4.2, se coloca la condición de que al seleccionar las
dos cartas no se haga de manera única, si no que se vuelva a colocar la carta extraída en la baraja,
la situación cambia, porque los sucesos “seleccionar la primera carta” y “seleccionar la segunda”
serían independientes, ya que al extraer la primera carta no influye que sucede con la segunda.
Entonces si se quiere saber bajo esta condición, cual es la probabilidad de que la primera carta
sea un as de corazón (A) y la segunda un corazón (B), se tiene que A y B son independientes (si
el as de corazones fuera la primera carta esta se vuelve a colocar y al sacar la segunda carta los
corazones siguen siendo 13 y la cantidad de cartas 52, es decir P(B) no cambia), entonces:

4 1
A: 4 ases entonces 𝑃(𝐴) = 52 = 13
13 1
B: 13 corazones 𝑃(𝐵) = =
52 4

1 1 1
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵) = ∗ =
13 4 52

1.2.5. Probabilidad total y Teorema de Bayes

Hasta este momento, se ha mostrado como encontrar la probabilidad de dos sucesos de un

mismo espacio muestral, que dependen uno del otro. Ahora bien, puede suceder que un suceso
no depende solamente de otro suceso si no de varios sucesos, en tal caso ¿cómo podría
calcularle esta probabilidad?

Para responder a este interrogante, se desarrollará un ejemplo para deducir una fórmula
general.

Ejemplo 12.5.1. Se sabe que el 60% de la población de un pueblo son mujeres. Se realizó una
votación para saber si se estaba a favor o en contra del referendo de reelección. Votaron el
100% de los habitantes, obteniendo que el 35% de los hombres y el 20% de las mujeres

12
estuvieron a favor del referendo. Si un jurado de votación selecciona un voto al azar, ¿cuál es
la probabilidad de que el voto haya sido a favor del referendo?

Se definen los sucesos:

M: seleccionar una mujer

H: Seleccionar un hombre
F: Estar a favor del referendo

La población de votantes son las personas del pueblo y ambos sexos votaron en el referendo.
Además, el suceso F está condicionado por los dos sucesos M y H, que a su vez son
independientes y para calcular la probabilidad de F es necesario comprenderlo como la suma
de las intersecciones como se ve en el siguiente diagrama de Venn:

Fuente: creación propia

por lo tanto, calcular 𝑃(𝐹) es equivalente a calcular la suma de la probabilidades 𝑃(𝑀 ∩ 𝐹) y

𝑃(𝐻 ∩ 𝐹), como se indica en la figura con el color morado:

𝑃(𝐹) = 𝑃(𝐹 ∩ 𝑀) + 𝑃(𝐹 ∩ 𝐻)

Aplicando la fórmula de la intersección 𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴/𝐵)𝑃(𝐵) para las intersecciones,

quedaría:
𝑃(𝐹) = 𝑃(𝐹 ∩ 𝑀) + 𝑃(𝐹 ∩ 𝐻) = 𝑃(𝐹/𝑀)𝑃(𝑀) + 𝑃(𝐹/𝐻)𝑃(𝐻)

Según el problema el 35% votaron a favor dado que son hombres (𝑃(𝐹/𝐻)) y el 20% votaron a
favor dado que son mujeres (𝑃(𝐹/𝑀)), además el 60% son mujeres es decir 𝑃(𝑀) = 0,6 y se
deduce de esto que el 40% son hombres (𝑃(𝐻)), se reemplaza:

𝑃(𝐹) = 𝑃(𝐹/𝑀)𝑃(𝑀) + 𝑃(𝐹/𝐻)𝑃(𝐻) = 0,2 ∗ 0,6 + 0,35 ∗ 0,4 = 0,12 + 0,14 = 0,26

El 26% del pueblo (el total) estuvieron a favor del referendo.

13
Con el ejemplo anterior se comprende el concepto de la probabilidad total, cuando un suceso B
está condicionado con varios sucesos 𝐴1 , … , 𝐴𝑛 todos del mismo espacio muestral S e
independientes dos a dos. Por lo tanto, la fórmula general para calcular la probabilidad del
suceso B, bajo estas condiciones es:
𝑛

𝑃(𝐵) = ∑ 𝑃(𝐵/𝐴𝑖 )𝑃(𝐴𝑖 )

𝑖=1
Durante las últimas sesiones se obtuvieron fórmulas para calcular la probabilidad de B sujeto a
sucesos 𝐴𝑖 , es decir 𝑃(𝐵/𝐴𝑖 ), pero que sucede si bajo estas circunstancias en las que B dependen
de los sucesos 𝐴𝑖 se necesita calcular el condicional inverso es decir ¿la probabilidad de 𝐴𝑖 dado
que ha ocurrido B?. Para resolver esta pregunta se utilizar el teorema de Bayes, que se tiene a
continuación:

𝑃(𝐴𝑖 ∩ 𝐵) 𝑃(𝐵/𝐴𝑖 )𝑃(𝐴𝑖 )

𝑃(𝐴𝑖 /𝐵) = = 𝑛
𝑃(𝐵) ∑𝑖=1 𝑃(𝐵/𝐴𝑖 )𝑃(𝐴𝑖 )

Para tener una mayor compresión de del teorema de Bayes se extenderá el ejemplo anterior.

Ejemplo 1.2.5.2. Tomando los datos del ejemplo 12.5.1, ¿cuál es la probabilidad de que el
votante sea mujer dado que votó a favor del referendo?

Se quiere calcular 𝑃(𝑀/𝐹), por el teorema de Bayes se tiene:

𝑃(𝐹 ∩ 𝑀) 𝑃(𝐹/𝑀)𝑃(𝑀)
𝑃(𝑀/𝐹) = =
𝑃(𝐹) 𝑃(𝐹/𝑀)𝑃(𝑀) + 𝑃(𝐹/𝐻)𝑃(𝐻)

Por el teorema de la probabilidad total se encontró que 𝑃(𝐹) = 𝑃(𝐹/𝑀)𝑃(𝑀) + 𝑃(𝐹/

𝐻)𝑃(𝐻) = 0,26 y 𝑃(𝐹/𝑀) = 0,2 𝑌 𝑃(𝑀) = 0,6, luego:

0,2 ∗ 0,6 0,12 12 6

𝑃(𝑀/𝐹) = = = = = 0,46
0,26 0,26 26 13

Por lo tanto, la probabilidad que sea mujer dado que votó a favor del referendo es del 46%.

1.3. Ejemplos

Ejemplo 1.3.1. (Combinaciones)

En una urna se tienen dos pelotas azules y tres pelotas rojas. Si el experimento aleatorio es
extraer tres pelotas de la urna, hallar el número de elemento del espacio muestral o de posibles
resultados, utilizando los conjuntos y combinatorias, lo siguiente:
a) El espacio muestral

14
 Sea 𝐴1 , 𝐴2 las dos pelotas azules y 𝑅1 , 𝑅2 , 𝑅3 las tres pelotas rojas luego el espacio muestral
o el conjunto de todos los resultados posibles es:
• Método conjuntista
𝑆 = {(𝐴1 , 𝐴2 , 𝑅1 ), (𝐴1 , 𝐴2 , 𝑅2 ), (𝐴1 , 𝐴2 , 𝑅3 ), (𝑅1 , 𝑅2 , 𝐴1 ),
(𝑅1 , 𝑅2 , 𝐴2 ), (𝑅1 , 𝑅3 , 𝐴1 ), (𝑅1 , 𝑅3 , 𝐴2 ), (𝑅2 , 𝑅3 , 𝐴1 ),
(𝑅2 , 𝑅3 , 𝐴2 ), (𝑅1 , 𝑅2 , 𝑅3 )}

Luego 𝑛(𝑆) = 10

• Método con combinatorias

Hay tres posibles casos de cómo se pueden combinar dos pelotas azules con tres
pelotas rojas:
Caso 1: se combinan dos pelotas azules y una pelota roja, es decir (22) representa
que de dos pelotas azules se seleccionan dos y (31) representa que de tres pelotas
rojas se escoge una y multiplicando quedaría:

2! 3! 2! 3!
(22)(31)=2!(2−2)! 1!(3−1)! = 2!0! 1!2! =1∙ 3 = 3

Caso 2: se combinan dos pelotas rojas y una azul, es decir (32) representa que de tres
posibles pelotas rojas se extraen dos y (21) representa que de dos pelotas azules se
extrae una boja azul y se multiplica quedando los posibles resultados del caso 2:

3! 2! 3! 2!
(32)(21) = 2!(3−2)! 1!(2−1)! = 2!1! 1!1! =3∙ 2 = 6

Caso 3 se combinan tres pelotas rojas, es decir (33) representa que de tres pelotas
rojas se escogen tres pelotas rojas y quedaría este caso así:

3
( )=1
3

Luego se suman el conteo de los tres casos y quedaría:

𝑛(𝑆) = 3 + 6 + 1 = 10

Ejemplo 1.3.2. (Aplicación en Excel Regla de Bayes)

La siguiente encuesta tiene como objetivo estudiar la relación que hay entre el consumo de
gaseosa y lo nociva que consideran su consumo los encuestados:

15
El consume Y se realizó por semana y X la consideración de que tan nociva es la gaseosa bigcola
se calificó así:

1: Poco nociva
2: Nociva Neutra
3: Nociva
4: Muy nociva

Se desea saber, ¿Cuál es la probabilidad de que un encuestado considere que el consumo de

gaseosa es poco nocivo para la salud, dado que consume gaseosa 3 veces por semana?

Para poder encontrar esta probabilidad condicional se hará una tabla dinámica y de esta
manera hacer una tabla cruza (Para ver cómo generar una tabla dinámica revisar en el material
de consulta del módulo su respectivo tutorial).

La variable X está en vertical y la variable Y en horizontal, la probabilidad que se desea calcular

es que si Y=4 dado que X=1, entonces se tiene por la fórmula de la probabilidad condicional que:
𝑃(𝑌 = 1 ∩ 𝑋 = 3)
𝑃(𝑌 = 1/𝑋 = 3) =
𝑃(𝑋 = 3)

16
Para encontrar la 𝑃(𝑌 = 1 ∩ 𝑋 = 3) según la tabla donde 𝑌 = 1 𝑦 𝑋 = 3, la frecuencia es 5 sobre
20 encuestados:

5
Por lo tanto 𝑃(𝑌 = 1 𝑦 𝑋 = 3) = 20
Para calcular 𝑃(𝑋 = 3) se suma todas las frecuencias donde X=3, aplicando el teorema de la
probabilidad total:

Los espacios vacíos cuentan como 0:

0 5 0 1 6
𝑃(𝑋 = 3) = + + + =
20 20 20 20 20
Finalmente, con la regla de Bayes se tiene:

5
𝑃(𝑌 = 1 ∩ 𝑋 = 3) 20 5
𝑃(𝑌 = 1 / 𝑋 = 3) = = = = 0,833 = 83,3%
𝑃(𝑋 = 3) 6 6
20

El porcentaje de personas que consumen 3 veces a la semana gaseosa Bigcola dado que
consideran poco nocivo su consume es del 83,3%

1.4. Ejercicios de reflexión

17
Seleccionar una base de datos bidimensional X, Y en excel, preferiblemente que sea utilizada en
el ámbito laboral y desarrolle:
1. Realice la tabla dinámica de la base de datos.
2. Defina dos sucesos A y B relacionados con las variables X, Y respectivamente y calcule:
a. 𝑃(𝐴)
b. 𝑃(𝐵)
c. 𝑃(𝐴 ∩ 𝐵)
d. 𝑃(𝐴 ∪ 𝐵)
e. 𝑃(𝐴/𝐵)
f. 𝑃(𝐵/𝐴)
3. Diseñe dos problemas en donde aplique el teorema de la probabilidad total y el teorema de
Bayes

Recuerde utilizar Excel y las tablas dinámicas para sus cálculos.

1.5. Conclusiones

• La importancia de comprender y simular los fenómenos aleatorios, radica en el

hecho de que la aleatoriedad está relacionada con situaciones propias en las ciencias
naturales, ciencias humanas, ciencias administrativas, ciencias de salud, ingenierías,
entre otros.

• La teoría de las probabilidades mediante sus propiedades y teoremas permite

encontrar soluciones a situaciones problema relacionados con fenómenos
aleatorios.

1.6. Material de estudio

Temas que Ubicación (el link web o la

Referencia bibliográfica (APA)
abordan base de datos)
Conceptos Mario, F. (2013). Probabilidad. (Pearson). Bases de datos de la UMB,
básicos de Estadística (pp. 136 -147). Ciudad : Ciudad Ebooks
probabilidad de México.
Probabilidad y Mario, F. (2013). Probabilidad. (Pearson). Bases de datos de la UMB,
regla de la Estadística (pp. 152 -156). Ciudad: Ciudad Ebooks
suma de México.
Probabilidad y Mario, F. (2013). Estadística (pp. 159-167). Bases de datos de la UMB,
regla de la Ciudad : Ciudad de México. Ebooks
multiplicación

18
 Mario, F. (2013). Probabilidad. (Pearson). Bases de datos de la UMB,
Combinatoria Estadística (pp. 184 - 189). Ciudad: Ciudad Ebooks
de México.
Regla de Bayes Warpole, M. (2013). Probabilidad. Bases de datos de la UMB,
(Pearson). Estadística y probabilidad para Ebooks
ingeniería y ciencias. (pp. 72-76). Ciudad:
San Antonio (Texas)
Complementos Mario, F. (2013). Probabilidad. (Pearson). Bases de datos de la UMB,
y probabilidad Estadística (pp. 171 -175). Ciudad : Ciudad Ebooks
condiciona de México.

REFERENCIAS BIBLIOGRÁFICAS UTILIZADAS EN EL MÓDULO N°2

Origen del
Referencia APA para su uso
material
Bases de datos • Mario, F. (2013). Probabilidad. Estadística. México: Pearson
UMB • Warpole, M. (2013). Probabilidad. Estadística y probabilidad para
ingeniería y ciencias. San Antonio (Texas): Pearson

19