Cuando se especifican todos los resultados posibles del experimento, el espacio muestral

de éste queda definido.

Universidad Pedagógica y Tecnológica de Colombia – Administracion de Empresas
Estadística Descriptiva – Probabilidad
ESPACIO MUESTRAL

Referencia: Anderson, D.; Sweeney,

El espacio muestral esD.; Williams,
el conjunto T.; los
de todos Camm, J.; Cochran,
resultados J. (2012). Estadística para
del experimento.
negocios y economía. Décimo primera edición. Cengage Learning Editores, México.
A los resultados del Un resultado experimental también se conoce como punto de la muestra para identificarlo
experimento también se les
Se conoce que
llama puntos de la muestra.
los primeros
como trabajos
un elemento sobre
del espacio probabilidad tuvieron su origen en una serie de
muestral. cartas
entre Pierre de Fermat y Blaise Pascal en la década de 1650.
FIGURA 4.1
La probabilidad como una medida numérica de la posibilidad de que
un evento
La probabilidad es una medidaocurra
numérica de la posibilidad de que un evento ocurra; esta medida es
asignada en una escala de 0 a 1.
Incremento de la probabilidad de ocurrencia

0 0.5 1.0
Probabilidad:

Que el evento ocurra es tan

probable como improbable

Un experimento es un proceso que genera resultados bien definidos, cada vez que se repita
solamente ocurrirá uno y solo uno de los resultados posibles.

El espacio muestral es el conjunto de todos los resultados posibles del experimento.

La regla de conteo para experimentos de pasos múltiples permite determinar el número de

resultados del experimento sin listarlos. Es decir, si un experimento se describe como una secuencia
de k pasos con !" resultados posibles en el primer paso, !# resultados posibles en el segundo paso,
y así sucesivamente, el número total de resultados del experimento está dado por (!" )(!# ) ⋯ (!' ).

Ej: Usted tiene tres grupos de objetos diferentes, cuatro en el primer grupo, siete en el segundo y
tres en el tercero. Si se selecciona un objeto de cada grupo, ¿cuántas ternas diferentes formaría?
Al seleccionar un objeto de cada grupo, las ternas diferentes que se pueden tener son 4×7×3 = 84
ternas distintas.

Una herramienta para representar los resultados del experimento es el diagrama de árbol que es una
representación gráfica que ayuda a visualizar un experimento de pasos múltiples.

Ej: se requiere establecer los resultados posibles al tener el tipo sanguíneo y factor Rh de una
persona. Haga una lista y establezca el diagrama de árbol.
La regla de conteo para combinaciones permite contar el número de resultados cuando el
experimento consiste en la selección de ! objetos de un conjunto grande de . objetos. Es decir, el
número de combinaciones de . objetos tomados ! a la vez es

. 1!
/01 = =
! 0! 130 !

donde .! = . . − 1 ⋯ 2 1 ; !! = ! ! − 1 ⋯ 2 1 ; 0! = 1

Ej: ¿en cuántas formas se pueden seleccionar dos personas de un grupo de 20 si el orden de
selección no es importante?
Las formas en que se pueden seleccionar dos personas de un grupo de 20 cuando el orden de
selección no es importante, es /##8 = 9! 9:;9
9:!
!
= 190 formas distintas.

La regla de conteo para permutaciones permite contar el número de resultados cuando el

experimento consiste en la selección de ! objetos de un conjunto grande de . objetos y el orden
de selección es importante; los mismos ! objetos seleccionados en un orden distinto se considera
un resultado experimental diferente. Es decir, el número de permutaciones de . objetos tomados !
a la vez es
. 1!
=01 = =
! 130 !
Ej: ¿en cuántas formas se pueden seleccionar cinco personas de un grupo de ocho, si el orden de
selección es importante?
Las formas en que se pueden seleccionar cinco personas de un grupo de ocho cuando el orden de
selección es importante, es =>? = @;A
@!
!
= 6720 formas distintas.

Para asignar probabilidades, se deben cumplir dos requisitos básicos

1. La probabilidad asignada a cada resultado experimental debe estar entre 0 y 1, inclusive. Si CD
denota el E-ésimo resultado del experimento y =(CD ) su probabilidad, entonces este requisito se
escribe como 0 ≤ =(CD ) ≤ 1 para toda E;
2. a suma de las probabilidades para todos los resultados del experimento debe ser igual a 1. Para
! resultados, este requisito se escribe como = C" + = C# + ⋯ + = C0 = 1

Los enfoques para asignar probabilidades son el método clásico, el de frecuencia relativa y el
subjetivo.

El método clásico es apropiado cuando todos los resultados del experimento son igualmente
"
probables. Si ! resultados son posibles, una probabilidad de se asigna a cada resultado
0
experimental.

El método de frecuencia relativa es apropiado cuando los datos están disponibles para estimar la
proporción del tiempo en que ocurrirá el resultado si el experimento se repite un gran número de
veces.
El método subjetivo es apropiado cuando no se puede asumir en forma realista que los resultados
del experimento son igualmente probables y cuando se dispone de pocos datos relevantes, es
posible usar cualquier información disponible, como la experiencia o la intuición. Después de
considerar toda la información disponible, un valor de probabilidad que expresa el grado de
creencia (en una escala de 0 a 1) de que el resultado experimental ocurrirá se especifica. Debido a
que la probabilidad subjetiva expresa el grado de creencia de una persona, es personal.

Ej: suponga que un experimento tiene cinco resultados igualmente probables: C" , C# , CI , CJ , C> .
Asigne probabilidades a cada resultado y muestre que se cumplen los requisitos de asignación de
probabilidades. ¿Qué método utilizó?

Ej: alguien que toma decisiones asignó de manera subjetiva las probabilidades siguientes a los
cuatro resultados de un experimento: = C" = 0.10, = C# = 0.15, = CI = 0.40, = CJ = 0.20.
¿Son válidas estas asignaciones de probabilidad? Explique por qué.
Ej: una empresa que fabrica pasta dental estudia cinco diseños de empaque diferentes. Suponiendo
que un diseño tiene igual probabilidad de ser seleccionado por un consumidor como cualquier otro,
¿qué probabilidad de selección asignaría a cada uno de los diseños de empaque? En un experimento
real se pidió a 100 consumidores que seleccionaran el diseño de su preferencia. Se obtuvieron los
datos siguientes. ¿Los datos confirman la creencia de que un diseño tiene la misma probabilidad de
ser seleccionado que otro? Explique por qué.
Diseño Número de veces preferido
1 5
2 15
3 30
4 40
5 10
Es importante recordar que los puntos de la muestra y los eventos proporcionan la base del estudio
de la probabilidad. Un evento es una colección de puntos de la muestra. La probabilidad de
cualquier evento es igual a la suma de las probabilidades de los puntos de la muestra del evento.

Ej: un experimento tiene cuatro resultados igualmente probables: C" , C# , CI , CJ .

"
* ¿Cuál es la probabilidad de que C# ocurra? La probabilidad de que C# ocurra es = 0.25
J

* ¿Cuál es la probabilidad de que cualesquiera de los dos resultados ocurran (por ejemplo, C" o
" "
CI )? La probabilidad de que cualesquiera de los dos resultados ocurran es + = 0.50
J J

* ¿Cuál es la probabilidad de que cualesquiera de los tres resultados ocurran (por ejemplo, C" o
" " "
C# o CJ )? La probabilidad de que cualesquiera de los tres resultados ocurran es + + = 0.75
J J J

Las relaciones u operaciones básicas de probabilidad y su representación mediante diagrama de

Venn están dadas a continuación.

Dado un evento A, el complemento de A, denotado por MN , es el evento que consta de todos los
puntos de la muestra que no están en A.
Además, se tiene que = M + =(MN ) = 1 equivalente a =(MN ) = 1 − =(M).
 FIGURA 4.4 El complemento del evento A está sombreado

Espacio muestral S

Evento A Ac

Complemento
del evento A
Capítulo 4 Introducción a la probabilidad

FIGURA 4.5 Unión de los eventos A y B sombreada

La unión de los eventos A y B, denotada por M ∪ P, es el evento que contiene todos los puntos de
Al calcular
la muestra que P(A),aseAobtiene
pertenecen el resultado siguiente.
o B o ambos.

Espacio muestral S
CÁLCULO DE LA PROBABILIDAD UTILIZANDO EL COMPLEMENTO

Evento A
P(A) ! 1 " P(Ac) Evento B (4.5)

La ecuación (4.5) muestra la probabilidad de que un evento A se calcule fácilmente si se conoce

la probabilidad de su complemento, P(Ac ).
Como ejemplo, considere el caso de un gerente de ventas quien, después de revisar los in-
formes de
Dados dos eventos A ventas,
y B, laestablece que 80%
intersección de de
loslos contactos
eventos A ydeB,clientes nuevos
denotada pornoMgeneran
∩ P, esninguna
el evento
c
que contieneventa.
de Al hacerdel
losla puntos
muestra deque A denote
laevento B. Elel
muestra queeventodedeque
quelos
pertenecen
hecho
c
se círculos
realiza una
tanto venta y A indica
a Asecomo a B. denoteque
traslapen el evento
algunosdepun-
que
no
tosse derealice, el gerente
la muestra establece que
están contenidos en )A!
P(A
tanto 0.80.enUtilizando
como B. la ecuación (4.5), vemos que
A continuación se presenta
P(A)la!
definición
1 " P(Acde
)!intersección
1 " 0.80 !de0.20
A y B.
 Se dice que dos eventos son mutuamente excluyentes si no tienen puntos de la muestra
FIGURA 4.6 Intersección de los eventos A y B sombreada
en común.

Espacio muestral S
Los eventos A y B son mutuamente excluyentes si, cuando ocurre un evento, el otro no pue-
de ocurrir. Por tanto, un requisito para que A y B sean mutuamente excluyentes consiste en que
su intersección
Evento A
no debe contener puntos de la muestra. El diagrama de Venn que representa dos
Evento B
eventos mutuamente excluyentes A y B se muestra en la figura 4.7. En este caso P(A ! B) ! 0,
y la ley de la adición puede escribirse como sigue.

LEY DE LA ADICIÓN PARA EVENTOS MUTUAMENTE EXCLUYENTES

La ley de la adición muestra que dados dos eventos,

P(A " B) ! A y B,
P(A) " la probabilidad de su unión, M ∪ P, es
P(B)
= M ∪ P = = M + = P − =(M ∩ P)

Cuando dos eventos

FIGURA A y Bmutuamente
4.7 Eventos son mutuamente excluyentes, significa que cuando ocurre A, B no puede
excluyentes
ocurrir, y viceversa. Luego, = M ∩ P = 0. Es decir, dos eventos mutuamente excluyentes no
tienen puntos de la muestra en común.

Espacio muestral S

Evento A Evento B
La ley de la adición para eventos mutuamente excluyentes es = M ∪ P = = M + = P .

Ej: un experimento tiene cinco resultados igualmente probables, C" , C# , CI , CJ , C> . Los eventos A,
B y C se definen como sigue: M = {C" , CI } y = M = 0.4; P = {C" , C# , CJ , C> } y = P = 0.8;
/ = {CI , CJ } y = M = 0.4; recuerde que U = {C" , C# , CI , CJ , C> }

Encuentre las probabilidades asociadas con los siguientes eventos, haciendo una lista de los
resultados en cada uno.

Evento Resultados Probabilidad

N = MN = 0.6
M C# , CJ , C>
= MN = 1 − = M = 1 − 0.4 = 0.6

M∩P C" = M ∩ P = 0.2

P∩/ CJ = P ∩ / = 0.2

M∩/ CI = M ∩ / = 0.2

= M ∪ P = = M + = P − =(M ∩ P)
M∪P C" , C# , CI , CJ , C>
= M ∪ P = 0.4 + 0.8 − 0.2 = 1
M∩P∩/ {},ó,∅ = M∩P∩/ =0

= M ∪ P ∪ / = = M + = P + = / − = M ∩ P − = M ∩ / − = P ∩ / − =(M ∩ P ∩ /)
M∪P∪/ C" , C# , CI , CJ , C> = M ∪ P ∪ / = 0.4 + 0.8 + 0.4 − 0.2 − 0.2 − 0.2 − 0 = 1

(M ∩ P)N C# , CI , CJ , C> = M∩P N

= 1 − = M ∩ P = 1 − 0.2 = 0.8

La probabilidad de un evento puede estar influida por el hecho de si otro evento relacionado ha
ocurrido ya. Suponga que se tiene un evento M con probabilidad =(M). Si se obtiene nueva
información y se aprende que un evento relacionado, denotado por P, ya ocurrió, esta información
se puede aprovechar mediante el cálculo de una nueva probabilidad del evento M, a la cual se
denomina probabilidad condicional, y se escribe =(M|P). La notación se utiliza para indicar que
se está considerando la probabilidad del evento M dada la condición de que P ha ocurrido.

X Y∩Z
La probabilidad condicional del evento A, dado que el evento B ha ocurrido, es =(M|P) =
X Z
X Y∩Z
y la probabilidad condicional del evento B, dado que el evento A ha ocurrido, es =(P|M) = ;
X Y
de forma gráfica,
 bilidades condicionales apoyará la posición de que los policías hombres y mujeres son tratados
de manera diferente en las decisiones de promoción.

FIGURA 4.8 Probabilidad condicional P(A ! B) ! P(A ! B)/ P(B)

X Y∩Z
Probabilidad condicional =(M|P) =
X Z
Evento A ! B

Evento A Evento B

Recuerde
172 que unaCapítulo
tabla4 deIntroducción
contingencia registra la información de dos eventos estudiados. La
a la probabilidad

probabilidad de la intersección de dos eventos se denomina probabilidad conjunta. La probabilidad

a los bordesTABLA
de la4.5tabla sededenomina
Tabla probabilidadprobabilidad marginal.
conjunta para promociones

Las probabilidades conjuntas

aparecen en el cuerpo de la
tabla Hombres (M) Mujeres (W ) Total
Promovido (A) 0.24 0.03 0.27
No promovido (Ac) 0.56 0.17 0.73
Total 0.80 0.20 1.00

Las probabilidades marginales

aparecen en los bordes de la
tabla.

Una probabilidad de P(W ! A) ! 36/1 200 ! 0.03 de que un oficial elegido al azar
Se dice que dos eventos A y B son independientes si = M P = =(M) o = P M = =(P). De otro
modo, se dice que los eventos son dependientes.

La ley de la multiplicación se utiliza para calcular la probabilidad de la intersección de dos eventos,

tal que
=(M ∩ P) = = P =(M|P) o =(M ∩ P) = = M =(P|M).

Además, la ley de la multiplicación para eventos independientes es =(M ∩ P) = = M =(P).

Ej: un estudio en Estados Unidos plantea que 9 de cada 10 padres con hijos adultos de 20 a 35 años
los han apoyado con algún tipo de ayuda financiera que abarca la universidad, un automóvil, la
renta, artículos, pagos a la tarjeta de crédito o pagos para casa. La tabla siguiente con los datos
muestrales consistentes con el estudio indica el número de veces que los padres han proporcionado
ayuda financiera a sus hijos adultos para comprar un automóvil o pagar la renta.

Pagar renta
Comprar un automóvil
Sí No
Sí 56 52
No 14 78
a. Elabore una tabla de probabilidad conjunta y utilícela para responder las preguntas restantes.
Tabla con los datos muestrales y sus totales
Comprar un Pagar renta
Total
automóvil Sí No
Sí 56 52 108
No 14 78 92
Total 70 130 200

Tabla de probabilidad conjunta y probabilidad marginal

Comprar un Pagar renta, R
Total
automóvil, A Sí (RS) No (RN)
Sí (AS) 0,28 0,26 0,54
No (AN) 0,07 0,39 0,46
Total 0,35 0,65 1,00

b. Con base en las probabilidades marginales sobre comprar un automóvil y pagar la renta, ¿es más
probable que los padres apoyen a sus hijos adultos con la compra de un automóvil o el pago de
la renta? ¿Cuál es su interpretación de las probabilidades marginales?
Es más probable que los padres apoyen a sus hijos adultos con la compra de un automóvil porque
la probabilidad es 0.54 mientras que para el pago de la renta la probabilidad es de 0.35.
De las probabilidades marginales, los padres apoyan a sus hijos adultos con la compra de un
automóvil es 0.54 mientras los que no apoyan es 0.46, y los padres que apoyan a sus hijos adultos
con el pago de la renta es 0.35 mientras los que no apoyaron es 0.65.
c. Si los padres proporcionaron respaldo financiero para comprar un automóvil, ¿cuál es la
probabilidad de que apoyaran con el pago de la renta?

= [U ∩ MU 0.28
= [U MU = = = 0.519
= MU 0.54

Si los padres proporcionaron respaldo financiero para comprar un automóvil, la probabilidad de

que apoyaran con el pago de la renta es 0.519

d. Si los padres no proveyeron ayuda financiera para comprar un automóvil, ¿cuál es la

probabilidad de que apoyaran con el pago de la renta?

= [U ∩ M. 0.28
= [U M. = = = 0.609
= M. 0.46
Si los padres no proveyeron ayuda financiera para comprar un automóvil, la probabilidad de que
apoyaran con el pago de la renta es 0.609

e. ¿La ayuda económica para comprar un automóvil es independiente de la proporcionada para

pagar la renta? Utilice las probabilidades para justificar su respuesta.
Recuerde que dos eventos son independientes si se cumple que =(M ∩ P) = = M =(P).
Entonces,
=(M ∩ [) =? = M =([)
0.28 =? 0.54 (0.35)
0.28 ≠ 0.189
 Se concluye que la ayuda económica para comprar un automóvil no es independiente de la
proporcionada para pagar la renta.

f. ¿Cuál es la probabilidad de que los padres proporcionaran ayuda financiera para sus hijos
adultos, ya sea para comprar un automóvil o pagar la renta?

= M ∪ [ = = M + = [ − = M ∩ [ = 0.54 − 0.35 − 0.28 = 0.61

La probabilidad de que los padres proporcionaran ayuda financiera para sus hijos adultos, ya sea
para comprar un automóvil o pagar la renta es 0.61.

En el estudio de la probabilidad condicional se muestra que la revisión de las probabilidades cuando

se obtiene nueva información es una fase importante del análisis de probabilidad. Se inicia el
análisis con las estimaciones de probabilidad previa para eventos específicos de interés. Por tanto,
de fuentes 4.5
comoTeorema de Bayes un informe especial o una prueba de productos se 179
una muestra, obtiene
información adicional sobre los eventos. Con esta nueva información se actualizan los valores de
probabilidad
FIGURA 4.9previos mediante
Revisión el cálculo
de la probabilidad de laselprobabilidades
utilizando teorema de Bayesrevisadas, conocidas como
probabilidades posteriores. El teorema de Bayes proporciona un medio para efectuar estos
cálculos.
Aplicación
Probabilidades Información Probabilidades
del teorema
previas nueva posteriores
de Bayes
El teorema de Bayes es válido cuando los eventos de los que se quiere calcular las probabilidades
posteriores son mutuamente excluyentes y su unión es el espacio muestral total. Sean ! eventos
mutuamente excluyentes M" , M# , MI , … , M0 , cuya unión es el espacio muestral entero, el teorema
de Bayes se utiliza para calcular cualquier probabilidad posterior = MD P si ocurre un evento P,

=(MD ) ∙ =(P|MD )
= MD P =
= M" ∙ = P|M" + = M# ∙ = P|M# + = MI ∙ = P|MI + ⋯ + = M0 ∙ = P|M0

=(MD ) ∙ =(P|MD )
= MD P =
=(P)

Método tabular para realizar los cálculos del teorema de Bayes.

Probabilidades Probabilidades Probabilidades Probabilidades

Eventos
previas condicionales conjuntas posteriores
=(MD ∩ P)
MD =(MD ) =(P|MD ) ↓ X(Y` )∙X(Z|Y` )
= MD P =
X(Z)
= P = =(MD ∩ P)
Ej: Se selecciona una muestra de dos poblaciones, U" y U# , con probabilidades = U" = 0.7 y
= U# = 0.3. Si la muestra se ha seleccionado de U" , la probabilidad de observar un evento M es
= M U" = 0.2; del mismo modo, si la muestra se ha seleccionado de U# , la probabilidad de
observar M es = M U# = 0.3.
a. Si se selecciona una muestra al azar de una de las dos poblaciones, ¿cuál es la probabilidad de
que ocurra el evento M?

= M = = U" ∙ = M|U" + = U# ∙ = M|U# = 0.7 ∙ 0.2 + 0.3 ∙ = 0.3 = 0.23

Así, al seleccionar una muestra al azar de una de las dos poblaciones, la probabilidad de que
ocurra el evento A es 0.23

b. Si la muestra se selecciona al azar y se observa el evento M, ¿cuál es la probabilidad de que la

muestra sea seleccionada de la población U" ?, ¿y de la población U# ?

=(U" ) ∙ =(M|U" ) 0.7 ∙ 0.2

= U" M = = = 0.6087
=(M) 0.23

Al seleccionar una muestra al azar y observar el evento M, la probabilidad de que la muestra

seleccionada de la población U" es 0.6087.

=(U# ) ∙ =(M|U# ) 0.3 ∙ 0.3

= U# M = = = 0.3913
=(M) 0.23
 Al seleccionar una muestra al azar y observar el evento M, la probabilidad de que la muestra
seleccionada de la población U# es 0.3913.

Ej: Suponga que, en un a ciudad particular, el aeropuerto A maneja 50% de todo el tráfico aéreo y
los aeropuertos B y C manejan 30% y 20%, respectivamente. Los porcentajes de detección de armas
en los tres aeropuertos son 0.9, 0.8 y 0.85, respectivamente. Si se encuentra un pasajero en uno de
los aeropuertos llevando un arma por la puerta de abordar, ¿cuál es la probabilidad de que el
pasajero esté usando el aeropuerto A?, ¿y el aeropuerto C?

Los eventos es cada uno de los aeropuertos A, B y C, y el cuarto evento es que el pasajero lleve un
arma, G. Luego, aplicando el método tabular del Teorema de Bayes

Probabilidades Probabilidades Probabilidades Probabilidades

Eventos, UD
previas, =(UD ) condicionales, =(b|UD ) conjuntas, =(UD ∩ b) posteriores, = UD b
A 0.5 0.9 0.45 0.5233
B 0.3 0.8 0.24 0.2791
C 0.2 0.85 0.17 0.1977
1 = b = 0.86 1

Entonces, si se encuentra un pasajero en uno de los aeropuertos llevando un arma por la puerta de
abordar, la probabilidad de que el pasajero esté usando el aeropuerto A es 0.5333, y de manera
similar, la probabilidad de que el pasajero esté usando el aeropuerto C es 0.1977.