OM

.C
DD
LA
FI


Estadística I
Tomo I (cap. 1, 2 y 3)

Ciclo Básico a Distancia

FACULTAD DE CIENCIAS ECONÓMICAS

Este archivo fue descargado de [Link]

 AUTORIDADES

Mgter. JHON BORETTO

Decano

Dra. MARÍA LUISA RECALDE

Vicedecana

OM
Cr. FACUNDO QUIROGA MARTÍNEZ
Secretario Técnico

Cr. DIEGO CRIADO DEL RÍO

Secretario de Administración

.C
Mgter. GERARDO HECKMANN
Secretaria de Asuntos Académicos
DD
Lic. JUAN SAFFE
Secretario de Extensión

Cr. MATÍAS LINGUA

LA

Secretario de Asuntos Estudiantiles

Dr. ANDRÉS MATTA

Secretaria de Ciencia, Técnica y Relaciones Internacionales
FI

Mgter. CLAUDIA CARIGNANO

Prosecretaria de Evaluación Institucional y Acreditación de Carreras


Cr. HUGO PRIOTTO

Director de la Carrera Contador Público

Mgter. MARCELO CAPELLO

Director de la Carrera de Licenciatura en Economía

Lic. TOMÁS GASTÓN

Director de la Carrera de Licenciatura en Administración

Este archivo fue descargado de [Link]

 CICLO BÁSICO A DISTANCIA
ÁREAS QUE PARTICIPAN

Coordinación Académica
Secretaría de Asuntos Académicos
Mgter. Gerardo Heckmann

OM
Coordinación Organizativa de Divisiones a Distancia
Lic. David Taborda

Área de Formación Docente y Producción Educativa

.C
Coordinador General
Oscar Margaría
DD
Asesora pedagógica
Dra. Adela Coria
Equipo de producción en tecnología educativa y comunicación
Mgter. Gabriela Sabulsky
LA

Lic. Cecilia Botino

Lic. Víctor R. Cacciagiú
Lic. Laura Delmonte
Lic. Vanesa Guajardo
FI

Esp. Verónica Pacheco

Lic. María Florencia Scidá
Administración


Lic. Nora Ceballos

Este archivo fue descargado de [Link]

 Proyecto “Elaboración de material didáctico en formato digi-
tal para Estadística I” en el marco del Programa de Apoyo y
Mejoramiento a la enseñanza de grado de la UNC aprobado
por Res. HCS Nº583-2015.

Coordinadora del Proyecto:

Margarita Díaz

OM
AUTORES
Norma Patricia Caro
Rosana Beatriz Casini
Margarita Díaz

.C
Fernando García
Mariana González
Martín Saino
DD
María Inés Stímolo

Los autores agradecen especialmente a los Profesores Asistentes por la

LA

colaboración prestada en la resolución y revisión de las actividades.

María Inés Ahumada
Lorena Anaya
Verónica Arias
Mariana Guardiola
FI

Roberto Infante
Adrian Moneta Pizarro
Olga Padro


Andrea Righetti
Julio Rosales

Este archivo fue descargado de [Link]

 Proyecto “Fortalecimiento del Ciclo Básico a Distancia” en el
marco del Programa de Apoyo y Mejoramiento a la enseñanza
de grado de la UNC aprobado por Res. HCS Nº 604-2014.

Coordinadora del Proyecto:

Dra. Adela Coria

OM
Maquetación de materiales
Lic. Víctor R. Cacciagiú y Lic. Ismael Rodríguez

Diseño gráfico y audiovisual

Lic. Laura Delmonte

.C
Asesoramiento y diseño pedagógico - didáctico
Esp. Verónica Pacheco y Lic. Vanesa Partepilo
DD
Asesoramiento y diseño comunicacional
Lic. Cecilia Botino y Lic. María Florencia Scidá
LA
FI


Este archivo fue descargado de [Link]

 ÍNDICE

Capítulo 3:
Introducción a las probabilidades
1. Introducción 143
2. Fenómenos aleatorios versus determinísticos 143
3. Conceptos básicos de probabilidad 144
4. Enfoques para asignar probabilidades 148
5. Axiomas y teoremas de probabilidad 152

OM
6. Probabilidad conjunta y condicional 153
7. Independencia de eventos 156
8. Ley de Probabilidad total 159
9. Teorema de Bayes 160
10. Referencias Bibliográficas 163
Anexo 1: Repaso de Álgebra de Conjuntos 164
Soluciones y respuestas al Capítulo 3 166

.C
DD
LA
FI


Este archivo fue descargado de [Link]

 OM
.C
DD
Capítulo 3
LA

Introducción a las probabilidades

FI


Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Capítulo 3: Introducción a las probabilidades

1. Introducción
De acuerdo a lo estudiado en el Capítulo I, la Inferencia Estadística
comprende los métodos que permiten extrapolar los resultados de una mues-
tra aleatoria hacia la población de la cual fue extraída. Cuando se observa sólo
una muestra, aun cuando la misma sea adecuadamente representativa de la

OM
población por cuanto reproduce sus características esenciales, el intento de
extraer conclusiones acerca de la población se realiza, no en un marco de cer-
teza sino de incertidumbre cuantificable.
La Teoría de Probabilidad, rama de la matemática que modela fenóme-
nos aleatorios, cuantifica esa incertidumbre en el proceso de estimación de
parámetros, permitiendo hacer afirmaciones en cuanto a precisión y confiabi-
lidad de los resultados. También permite probar hipótesis en relación con los

.C
parámetros, fijando la magnitud del error que puede cometerse al tomar la
decisión y constituye la base teórica de métodos estadísticos tales como Re-
gresión, Análisis de Varianza, Control de Calidad, etc. Si bien dichas metodo-
logías, tanto la estimación de parámetros como la prueba de hipótesis las es-
DD
tudiaremos en Estadística II, a partir de este Capítulo introduciremos los con-
ceptos fundamentales y el lenguaje básico de Probabilidad.
En las explicaciones que se desarrollan en este capítulo se vislumbrará
de qué manera la Teoría de Probabilidad es en la actualidad la base de la ma-
yor parte de las decisiones que adoptan tanto los gobernantes como adminis-
tradores de empresa.
LA

2. Fenómenos aleatorios versus determinísticos

En cualquier campo de la ciencia (física, biología, ingeniería, economía,
etc.) se necesitan describir, modelar y predecir fenómenos del mundo real,
FI

para lo cual se construyen modelos matemáticos. Cuando se quiere elaborar

un modelo matemático para explicar hechos reales, se distinguen dos tipos de
fenómenos o experimentos:

Fenómeno determinístico: es aquel fenómeno o experimento cuyo resultado



conocemos de antemano o podemos calcular con certeza, o sea que se trata-

ría de situaciones en las que se trabaja con certidumbre completa.

Pensemos en los siguientes ejemplos:

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

do es: el vaso se rompe.
b) Colocamos a 100º C una pava con agua. El resultado es: el agua hierve. 143
c) Colocamos un capital de $ 8.000 a una tasa de interés mensual del
1,8%. El resultado es: al cabo de 1 mes el monto final será $ 8.144

Este archivo fue descargado de [Link]

 Fenómeno aleatorio: es aquel fenómeno o experimento que, repetido bajo las
mismas condiciones, puede arrojar resultados diferentes y no es posible pre-
decir con certeza cuál de ellos ha de darse; es decir, estamos frente a fenóme-
nos cuyo resultado es incierto.

Ejemplos de este tipo de fenómenos serían:

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

b) Lanzar una moneda 3 veces y observar la salida de cara o sello.
c) Seleccionar al azar una familia de la ciudad y registrar su ingreso men-
sual.

OM
d) Seleccionar al azar un elector y determinar su candidato favorito.
e) Observar una casilla de peaje y computar la cantidad de vehículos que
pasan por hora.

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

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

.C • Consideramos únicamente aquellos experimentos que sean concebi-

bles bajo condiciones semejantes. Cada vez que realizamos el acto te-
nemos una prueba.
DD
• Aunque no podemos indicar cuál será el resultado particular de una
prueba, podemos describir el conjunto de todos los resultados posi-
bles del experimento.
• Cuando el experimento se repite una gran cantidad de veces, los resul-
tados presentan regularidad estadística. En otras palabras, la frecuen-
cia relativa de aparición de los resultados, se aproxima a un valor fijo
LA

constante al aumentar el número de pruebas.

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

de las situaciones a las que nos enfrentamos tienen resultados imprevistos y
nos llevan a trabajar bajo incertidumbre. Pero podemos predecir el resultado
FI

particular que se producirá y medir el riesgo asociado a esta predicción, es

decir determinar qué posibilidades hay de que dicho resultado no sea el que se
produce realmente como fruto del experimento.


3. Conceptos básicos de probabilidad

Repaso de Algebra de Con- La Teoría de Probabilidad utiliza la Teoría de Conjuntos para definir mu-
juntos está en el Anexo 1 de chos de sus conceptos básicos, por lo que le sugerimos leer el anexo que está
esta Unidad. al final de este capítulo, que propone un repaso que consideramos será de
utilidad.

Recordemos que en los fenómenos o experimentos aleatorios, si bien no

144 sabemos el resultado que ocurrirá en una prueba individual, sí podemos des-
cribir todos los posibles resultados del mismo.

El conjunto formado por todos los resultados posibles de un experi-

mento aleatorio es llamado espacio muestral y lo representaremos
con la letra Ω.

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Cada uno de los resultados elementales e indivisibles del experimento,

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

Consideremos el siguiente ejemplo:

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

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

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

Ω = {(cc),(cs),(sc),(ss)} #Ω = 22=4

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

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

Como se advierte, el espacio muestral representa el conjunto de todos

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

Los espacios muestrales se pueden clasificar en discretos o continuos.

En los discretos, los resultados pueden ser enumerados, por lo que estarán en
LA

correspondencia con los números enteros. A su vez, se pueden clasificar en

finitos o infinitos. En los espacios muestrales continuos, en cambio, los resulta-
dos no pueden ser enumerados, es decir son infinitos no numerables; por lo
que estará conformado por un intervalo de números reales.
FI

A continuación tenemos ejemplos de espacios muestrales y su respec-

tiva clasificación:

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



Ω = {1, 2, 3, 4, 5, 6}
Clasificación: Discreto (finito numerable).

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

mensual.
Ω = {I / I ≥ 0}
Clasificación: Continuo

c) Seleccionar al azar un elector y determinar su candidato favorito. 145

Ω = {candidato A, candidato B,..., candidato N}

Clasificación: Discreto (finito numerable).

Este archivo fue descargado de [Link]

 d) Observar una casilla de peaje y computar la cantidad de vehículos que
pasan por hora.
Ω = {0, 1, 2,........}
Clasificación: Discreto (infinito numerable).

Actividad 1:
A partir de los siguientes ejemplos describa el espacio muestral y clasifíquelo.

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

su palo.

OM
b) Mezclar un mazo de cartas españolas y seleccionar una para observar
su número.
c) Observar el número de automóviles que entran por día al estaciona-
miento de un shopping.
d) Observar el gasto mensual en libros de los alumnos de Estadística I.
e) Arrojar simultáneamente un dado y una moneda, y se observa el resul-
tado que aparece.

.C
Actividad 2:
Piense en otros experimentos aleatorios, intente describir el espacio muestral
asociado y clasifíquelo según lo expresado más arriba.
DD
Llamamos evento a cada subconjunto de resultados de un experimento alea-
torio. Lo designaremos con letras mayúsculas y tiene asociado una medida de
probabilidad.
LA

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

manera directa la noción de probabilidad. Los eventos son simples o elemen-
tales cuando están constituidos por un solo elemento de Ω y se refieren a un
punto muestral; mientras que son compuestos cuando se definen como la
FI

combinación de dos o más resultados del experimento aleatorio.

Diremos que un evento ocurrió si al realizar el experimento se presenta
cualquiera de los puntos muestrales que lo componen.
Retomando el ejemplo de la tirada de una moneda dos veces, en el que
se observa cara o sello, determinamos que había cuatro resultados posibles,


pero podemos definir muchos eventos simples y compuestos a partir de esos

resultados.

Por ejemplo:

A = {aparecen 2 caras} = {(cc)}

Es un evento simple

146 B = {aparece sólo 1 cara} = {(cs), (sc)}

Es un evento compuesto

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

Es un evento compuesto

D = {aparece cara o sello en cualquiera de las dos tiradas}

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

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

E = {no aparece cara ni sello} = φ

Es un evento que no posee ningún elemento

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

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

OM
Actividad 3:
a) Defina eventos simples y compuestos a partir de los experimentos
aleatorios que pensó en la Actividad 2.
b) ¿Podría dar una definición de eventos mutuamente excluyentes? ¿Y
de colectivamente exhaustivos?

.C
c) ¿Se anima a plantear ejemplos de eventos ciertos, imposibles, mu-
tuamente excluyentes y colectivamente exhaustivos en los experi-
mentos de la Actividad 2?
DD
Actividad 4:
En la siguiente tabla se presentan los datos de producción de parcelas clasifi-
cadas en tres niveles y cruzadas por zonas geográficas de la Provincia de Cór-
doba, que se transcriben a continuación

ZONA GEOGRÁFICA DE LA
TOTAL
LA

NIVEL DE PRODUCCIÓN PROVINCIA

ZONA "A" ZONA "B" ZONA "C"
Alto 69 47 23 139
Mediano 40 25 80 145
Bajo 38 32 36 106
Total 147 104 139 390
FI

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

a) De un ejemplo de evento simple
b) De un ejemplo de evento compuesto


c) ¿Cuál es el complemento de la Zona A?

d) De un ejemplo de eventos mutuamente excluyentes

Si recordamos el último punto del repaso de álgebra de conjuntos po-

dríamos, en este experimento aleatorio, armar el Álgebra de Sucesos o Fami-
lia de Eventos, que será la colección completa de subconjuntos que puedan
definirse a partir del espacio muestral Ω, siendo el número total de subconjun-
tos 2s donde s = #Ω. 1 Lo simbolizaremos con Ŧ e incluirá el conjunto vacío,
todos los subconjuntos unitarios, los binarios, etc. y el propio Ω.
147

1
Cuando Ω es continuo, no es posible definir Ŧ de esa manera. (Hoel, cap. 1).

Este archivo fue descargado de [Link]

 En nuestro ejemplo:

Donde Ω = {(cc),(cs),(sc),(ss)} y #Ω = 4, algunos de los 16 elementos de Ŧ

son: {φ}, {(cc)}, {(cs)}, {(sc)}, {(ss)}, {(cc),(cs)}, {(cc),(sc)}, {(cc),(ss)},…

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

E = {Ω, Ŧ, P}

OM
4. Enfoques para asignar probabilidades
Luego de haber trabajado los conceptos principales vinculados a expe-
rimentos aleatorios, llegamos a lo que seguramente es de mayor interés.
¿Cómo podemos determinar la probabilidad de que un resultado particular
ocurra, o de que ocurra una combinación de dos o más resultados?
Seguramente estamos algo familiarizados con el tema, porque en más

.C
de una oportunidad escuchamos o leemos en los diarios expresiones como:
DD
LA
FI


Si bien no conocemos con exactitud la definición de probabilidad, po-

dríamos decir que una idea intuitiva indicaría que se trata de un número entre
0 y 1 (aunque con frecuencia se la exprese en porcentajes) que mide la posibi-
lidad de que ocurra un suceso, siendo 0 cuando estamos seguros de que no va
a ocurrir y 1 cuando estamos seguros de que sí va a ocurrir.
Entre estos valores extremos, existe una gama de valores que debería-
mos asignar cuando estamos frente a situaciones de incertidumbre respecto
148
del resultado que va a ocurrir.
A fin de resolver estas situaciones, vamos a introducirnos en los distin-
tos enfoques o métodos desarrollados para calcular la probabilidad de un
evento particular. La medición de probabilidad surgió con el enfoque clásico,
exclusivamente aplicado a los juegos de azar. Dada las limitaciones que tiene
este enfoque, con posterioridad se desarrolló el frecuentista.

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Enfoque clásico

El experimento típico, y no por ello menos útil, para introducir este mé-
todo es el lanzamiento de un dado. En este caso los resultados posibles que
forman el espacio muestral, son:

Ω = {1, 2, 3, 4, 5, 6}

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

tados es 1/6, es decir todos los resultados son equiprobables (espacio mues-
tral simétrico). Supongamos que definimos el evento:

A = {aparece el número 3},

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

P(A) = 1/6

Si expresamos este resultado mediante una fórmula, tendremos:

.C P (A) =
Casos favorables al evento A
DD
Casos posibles de Ω

Para poder aplicar este método son necesarias dos condiciones:

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

Con este enfoque podemos también calcular probabilidades de eventos

compuestos.

Ejemplos:
FI

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

C = {aparece un número ≥ 2} ; C = {2, 3, 4, 5, 6} P(C) = 5/6
D = {aparece un número < 8} ; D = {1, 2, 3, 4, 5, 6} P(D) = 1
E = {aparece un número ≥ 10} ; E = φ P(E) = 0


Este enfoque tiene una aplicación restringida a experimentos en los que

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

Enfoque frecuentista 149

Este enfoque asigna probabilidades estimándola a través de la frecuen-
cia relativa.

Este archivo fue descargado de [Link]

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

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

notamos con la letra m el número de veces que ocurrió el evento A, una esti-
mación de la probabilidad de A es:

m
P(A)=
n

OM
Si en el lanzamiento del dado supiéramos que el mismo está cargado
(no todas las caras son igualmente probables) y deseáramos conocer la pro-
babilidad de que salga el número 3, podríamos hacer lanzamientos seguidos y
anotar cuántas veces aparece el número 3. Si repetimos esta acción un núme-
ro grande de veces, la frecuencia relativa de dicho resultado se estabilizará
alrededor de un valor que es una medida estimativa de su probabilidad.

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

Ejemplo 2
LA

Si contamos con la información de los alumnos de Estadística I clasificados

según sexo y procedencia, podríamos confeccionar una tabla de doble entra-
da, o tabla de contingencia, como la que sigue:
FI

PROCEDENCIA CÓRDOBA OTRA PROVINCIA TOTAL

SEXO
Varón 182 65 247
Mujer 290 55 345
Total 472 120 592


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

babilidad de los siguientes eventos?

V = {alumno varón}
C = {alumno que procede de Córdoba}

En este ejemplo no corresponde utilizar el enfoque clásico para calcular

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

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

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

Estas probabilidades se denominan simples o marginales porque se ob-

tienen de los márgenes de la tabla de contingencia.

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Método subjetivo

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

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

Ejemplos de probabilidad subjetiva:

OM
• La probabilidad que la empresa XX entre en concurso preventivo este
año es de 0,15
• La probabilidad que Juan promocione esta materia es de 0,60
• La probabilidad que nuestro país acuerde con los acreedores externos
es de 0,50

.C
En los ejemplos que veremos a continuación no utilizaremos este méto-
do por las limitaciones que posee, lo cual no significa que no sea importante y
útil en campos como el de la Teoría de la Decisión.
DD
Actividad 6:
Para cada uno de los casos que se plantean indique cuál es el enfoque de pro-
babilidad conveniente para determinar el valor de la probabilidad que se quie-
re obtener, o el enfoque utilizado en los casos de probabilidades que han sido
calculadas.
LA

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

que se utilizó en la presentación de las mismas.

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

b) Se lanza al aire un dado balanceado. ¿Cuál es la probabilidad que salga
FI

un dos o un seis?
c) Se elige un punto al azar en un círculo. ¿Cuál es la probabilidad que es-
té más cerca del centro que de la circunferencia?
d) De las personas que entran a un comercio, se elige al azar una de ellas.
¿Cuál es la probabilidad que realice una compra?


e) De una muestra aleatoria de 400 empleados de una empresa, se ob-

tuvo que 80 de ellos habían pedido licencia por enfermedad por lo
menos una vez en el último año. Si se selecciona un empleado al azar
¿Cuál es la probabilidad que haya pedido licencia por enfermedad en
el último año?
f) Para el próximo año, ¿cuál es la probabilidad que el P.B.I. per cápita
aumente un 100%?
g) Se estima que la probabilidad de que un nuevo producto tenga éxito es
de ¼. 151
h) De un embarque de 100 artículos, donde hay 20 defectuosos, se se-
lecciona uno al azar. ¿Cuál es la probabilidad que resulte ser defectuo-
so?
i) El gerente de compras de una empresa estima que la probabilidad que
un pedido llegue a tiempo es de 0,80.
j) La probabilidad de seleccionar un “oro” en un mazo de cartas españo-
las es 12/50.

Este archivo fue descargado de [Link]

 5. Axiomas y teoremas de probabilidad
Según mencionamos en el apartado 3, a partir del espacio muestral Ω y
la familia de eventos Ŧ, se define la medida de probabilidad como una función
real que hace corresponder a cada elemento de Ŧ un número comprendido
entre 0 y 1.

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

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

mayor o igual a cero
P(A) ≥ 0

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

P(Ω) = 1

3) Sean A y B, eventos mutuamente excluyentes o disjuntos que pertenecen a

Ŧ, la probabilidad de su unión es igual a la suma de las probabilidades de cada

.C uno de ellos.

P(A ∪ B) = P(A) + P(B) siendo A ∩ B = φ

DD
Este último axioma, conocido como Regla Especial de Adición se ex-
Para una mejor comprensión tiende a un número n de eventos. A partir de estos axiomas, se deducen teo-
de este axioma, se sugiere a remas que serán de utilidad para el cálculo de probabilidades. Algunos de
ingresar a la sección Materia- esos teoremas enunciamos a continuación:
les Recursos del aula virtual
LA

para ver la producción audio-

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

P(AC) = 1 – P(A)
FI

Demostración:
Por definición A ∪ AC = Ω
Como A ∩ AC = φ (son disjuntos)
Por Axioma 3 P(A ∪ AC)= P(A) + P(AC) = P(Ω) = 1
P(AC) = 1 – P(A)


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

P(φ) = 0
Demostración:
Por aplicación del Teorema 1 (Recordemos que φ = ΩC)
152
Teorema 3:
Sean A y B, eventos que pertenecen a Ŧ, entonces:

P(B – A) = P(B) – P(A ∩ B)

Demostración:
Por definición B = (A ∩ B) ∪ (B – A)

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Como (A ∩ B) ∩ (B – A)= φ (son disjuntos)

Por Axioma 3 P(B) = P(A ∩ B)+ P(B – A)
P(B – A) = P(B) - P(A ∩ B)

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

P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Demostración:
Por definición A ∪ B = A ∪ (B – A)
Como A ∩ (B – A)= φ (son disjuntos)
Por Axioma 3 P(A ∪ B) = P(A) + P(B – A)

OM
P(A ∪ B) = P(A) + P(B) - P(A ∩ B)

Este teorema se conoce también como Regla General de Adición.

6. Probabilidad conjunta y condicional

.C
En esta sección, estudiaremos los conceptos de probabilidad conjunta y
condicional. Retomemos el ejemplo trabajado anteriormente, donde se pre-
sentó el concepto de probabilidad marginal.
DD
Seleccionamos al azar un alumno de Estadística I y deseamos calcular la
probabilidad de que sea varón y proceda de Córdoba,

V = {alumno varón}
C = {alumno que procede de Córdoba},
LA

es decir, buscamos calcular P(V ∩ C). En este caso nos interesa calcular la
probabilidad de la ocurrencia simultánea de los dos eventos, es decir que se
presenten resultados comunes a ambos eventos. Esta probabilidad se deno-
mina probabilidad conjunta.

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

FI

P(V ∩ C) = 182/592 = 0,307

Supongamos ahora, que se selecciona un alumno al azar y se conoce

que es varón, y estamos interesados en conocer la probabilidad de que proce-


da de Córdoba. En este caso, deseamos conocer la probabilidad de que ocurra

un evento “dado que” otro ya ha ocurrido. Esta probabilidad se denomina pro-
babilidad condicional.

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

dado B, que se simboliza P(A/B), se define:
P ( A ∩ B)
P ( A/B ) =
P ( B) 153

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

P ( C ∩ V ) 182 592 0,307

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

Este archivo fue descargado de [Link]

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

P(A ∩ B) = P(A/B).P(B) = P(B/A). P(A)

OM
Para ejercitar los temas desarrollados en la esta unidad les proponemos
las siguientes actividades. Recuerden que en el aula virtual cuentan con el
espacio del foro para consultar las dudas que tengan o intercambiar solucio-
nes o posibles respuestas con sus compañeros.

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

Seleccionamos al azar un alumno de 3º año y, a partir de definir los eventos:

A = {alumno varón}
LA

B = {alumno de la carrera de Contador Público}

Deseamos predecir las siguientes probabilidades:

a) Que sea varón
b) Que haya elegido una Licenciatura
FI

c) Que sea mujer o haya elegido la carrera de Contador Público (recor-

dar la Regla General de Adición)
d) Que sea varón dado que es un alumno que elige una Licenciatura
e) Que sea varón y haya elegido una Licenciatura
f) Que sea varón o mujer


g) Que haya elegido la carrera de Contador y una Licenciatura

h) ¿Cómo se llaman los eventos del punto g)?

Le recomendamos armar una tabla de contingencia con los datos del enunciado.

154

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

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

Ventas Nro. días

530 730 3
730 930 7
930 1130 11
1130 1330 22
1330 1530 40
1530 1730 24

OM
1730 1930 9
1930 2130 4
Total 120

Calcule la probabilidad de que un día particular:

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

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

Número de Cantidad
productos vendidos de días
LA

0 15
1 20
2 13
3 9
4 o más 3
FI

Si se elige un día al azar, se pide:

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


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

a) P(AC) 155
b) P(BC)
c) P(A ∩ B)
d) P(AC ∩ BC)
e) P(AC ∩ B)
f) P(A ∩ BC)
g) P(AC ∪ BC)

Este archivo fue descargado de [Link]

 Cuando los eventos pueden presentarse simultáneamente la probabili-
dad conjunta es distinta de cero. La expresión para cuantificarla depende de si
los eventos considerados son dependientes o independientes.

7. Independencia de eventos

Decimos que dos eventos son independientes si la ocurrencia de uno de ellos

no modifica la probabilidad de aparición del otro; es decir que su ocurrencia
no produce efecto en la probabilidad simple del otro. Caso contrario los even-
tos son dependientes.

OM
Para ilustrar la independencia de eventos, veamos el siguiente ejemplo.
Supongamos que tiramos dos monedas al aire, el resultado de una de
ellas (cara o sello) no está afectado por el resultado de la otra (cara o sello);
decimos entonces que el resultado de la segunda moneda no depende del
resultado de la primera.

.C Si estamos frente a dos eventos independientes A y B, la probabilidad de

que ocurran A y B se obtiene multiplicando las probabilidades simples de cada
uno de ellos. Esto se conoce como Regla Especial de Multiplicación.
DD
En fórmulas se expresa: P(A ∩ B) = P(A).P(B)

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

ambas tiradas el resultado sea cara?
LA

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

Si estamos frente a eventos independientes, ¿podemos calcular una

probabilidad condicional?
FI

Si relacionamos las fórmulas de probabilidad condicional y probabilidad

conjunta de eventos independientes tenemos que:

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


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

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

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

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

gamos que en un lote de 100 productos hay 8 que son defectuosos. Si selec-
cionamos un producto al azar la probabilidad de que sea defectuoso es 8/100.
Si seleccionamos otro más, la probabilidad de que el segundo también lo sea
(si reponemos el primero de ellos al lote) será 8/100 por lo que la probabili-
dad simple de defectuoso no cambió en esta segunda extracción. Esto lleva a
concluir que la probabilidad de que ambos sean defectuosos es:
8 8
P ( D1 ∩ D
=2) P ( D1 ) .P ( D2 / D
=1) . = 0, 0064
100 100

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Si no reponemos el primer producto antes de seleccionar el segundo

(Muestreo sin reemplazo), la probabilidad es:
8 7
P ( D1 ∩ D=
2) P ( D1 ) .P ( D2 / D=
1) . = 0, 0056
100 99

En relación al ejemplo que trabajamos en la sección anterior ¿podemos

decir que el sexo es probabilísticamente independiente del lugar de proceden-
cia?

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

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

Observamos que: P (V ∩ C) ≠ P(V) . P(C) ; por lo que concluimos que el

sexo no es independiente del lugar de procedencia.

Nota: Esta verificación se puede realizar con cualquiera de las cuatro probabi-

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

Actividad 12:
Un lote de producción tiene 15 artículos buenos, 6 tienen defectos poco sig-
LA

nificativos y 3 con defectos graves.

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

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

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

probabilidad que:
a) Ambos tengan defectos poco significativos.


b) Ninguno sea bueno.

c) Exactamente uno sea bueno.
d) Ninguno tenga defectos graves.
e) Por lo menos uno sea bueno.

157

Este archivo fue descargado de [Link]

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

Determine:
a) ¿Cuál es la probabilidad de que los 3 integrantes del comité evaluador
sean mujeres?
b) ¿Cuál es la probabilidad de que los 3 integrantes sean varones?

OM
c) ¿Cuál es la probabilidad de que los tres integrantes sean todos varo-
nes o todas mujeres?
d) ¿Cuál es la probabilidad de que se seleccionen una mujer y dos varo-
nes?
e) Si se decide ampliar el Comité a cuatro personas, ¿cuál es la probabilidad
de que todas sean mujeres? ¿Cómo se denomina este tipo de evento?

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

a) ¿Qué teoría se aplicó para asignarle probabilidades a los eventos?

b) ¿Cuál es la probabilidad que el producto B tenga un margen de utili-
dad superior al 15% dado que el producto A alcanza el mismo mar-
LA

gen de utilidad?
c) Determine si el evento “A deja una utilidad superior al 15%” y “B de-
ja una utilidad superior al 15%” son estadísticamente independien-
tes.
FI

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

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



b) A y B son mutuamente excluyentes. V-F

c) P (AC/ B) = 1. V-F

Indique en cada uno de los casos si son Verdaderas o Falsas cada una de las
afirmaciones, y justifique su respuesta.

158

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

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

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

Determine si son Verdaderas o Falsas cada una de las siguientes afirmaciones

y justifique su respuesta.

a) Si los eventos son mutuamente excluyentes (A ∩ B = φ), entonces los

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

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

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

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

8. Ley de Probabilidad total

A efectos de derivar la Ley de Probabilidad total, introduciremos un
nuevo concepto. Llamaremos partición aleatoria de Ω al conjunto de eventos
FI

Ai tales que:

A1 ∪ A2 ∪ A3 ∪ .......... ∪ An = Ω con Ai ∩ Aj = φ ; ∀ i ≠ j

Como vemos, se trata del conjunto de eventos mutuamente excluyentes



y colectivamente exhaustivos (sin intersección y que cubren todo el espacio

muestral).

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

n
P(B)= P(A1).P(B/A1)+P(A2).P(B/A2)+………+ P(An).P(B/An)= ∑ P(A ).P(B/A )
i i
i=1
159
Demostración:
Consideremos el evento B y la partición aleatoria de Ω {A1 A2 A3 ... An}

B=B∩Ω
B = B ∩ [A1 ∪ A2 ∪ ... ∪ An]
B = (B ∩ A1) ∪ (B ∩ A2) ∪ … ∪ (B ∩ An)

Este archivo fue descargado de [Link]

 Por axioma 3 P(B) = P(B ∩ A1)+P(B ∩ A2)+ … +P(B ∩ An)
P(B) = P(A1).P(B/A1)+ P(A2).P(B/A2)+…+ P(An).P(B/An)

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

lencia de operaciones de exportación es del 11% en empresas de capi-
tal nacional y 23% en empresas de capital extranjero; y además que 7% de las
empresas de dicha rama son extranjeras, ¿cuál es la probabilidad de opera-
ciones de exportación en la industria alimenticia de nuestro país?

A1 = {empresa nacional}
A2 = {empresa extranjera}
eventos que constituyen una partición aleatoria de Ω

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

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

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

.C Actividad 18:
Cuatro máquinas, X20, X21, X22 y X23, producen 30%, 25%, 15% y 30% res-
DD
pectivamente del total de productos de una industria, siendo la proporción de
productos defectuosos de 0,02; 0,03; 0,05 y 0,07 para cada máquina respec-
tivamente.
Si se selecciona un producto al azar, ¿cuál es la probabilidad de que sea defec-
tuoso?
LA

Una aplicación importante vinculada a la ley de Probabilidad Total, es lo

que se conoce como Teorema de Bayes que, como veremos a continuación se
utiliza para calcular una probabilidad condicional.
FI

9. Teorema de Bayes

El análisis bayesiano consiste en hacer inferencias sobre causas posibles a

partir de los efectos o resultados conocidos de los eventos. En este caso se


aplica la idea de probabilidad condicional que vimos en su momento.

Se trata de calcular una probabilidad a posteriori después que se ha ob-

servado un efecto determinado, es decir; se revisa o ajusta una probabilidad a
priori de un evento hacia una probabilidad a posteriori más confiable ya que
se basa en los resultados que ofrece la evidencia de una muestra o un estudio
adicional.
160
Veamos un ejemplo. En un estudio sobre el mercado laboral se tienen
los siguientes datos referidos al nivel educacional y empleo:

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

NIVEL DE
NIVEL DE EDUCACIÓN TRABAJA
EDUCACIÓN
Primario 30% 40%
Secundario 40% 60%
Universitario 25% 90%
Postgrado 5% 95%

Si se selecciona una persona al azar y observamos que está trabajando

¿cuál es la probabilidad de que esta persona tenga título secundario?

Con los datos anteriores podemos construir la siguiente tabla:

Evento Ai
P(Ai) P(T/Ai) P(Ai ∩ T)= P(Ai). P(T/Ai)
Nivel de educación

OM
A1 = Primario 0,30 0,40 (0,30 x 0,40) = 0,12
A2 = Secundario 0,40 0,60 (0,40 x 0,60) = 0,24
A3 = Universitario 0,25 0,90 (0,25 x 0,90) = 0,225
A4 = Postgrado 0,05 0,95 (0,05 x 0,95) = 0,0475

Las probabilidades P(Ai) se denominan probabilidades a priori debido a

que la probabilidad se asigna antes de haber obtenido datos empíricos. Refle-
jan el nivel actual de información.

.C
Por ejemplo, la probabilidad de que la persona seleccionada al azar
tenga nivel Secundario es:
P(A2) = 0,40
DD
Las probabilidades P(T/Ai) son probabilidades condicionales que sur-
gen de considerar datos empíricos (evidencia), los cuales se observan, en
nuestro caso para cada nivel educacional.

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

LA

nivel secundario es:

P(T/A2) = 0,60

Estas probabilidades permiten calcular probabilidades condicionales

P(Ai/T), conocidas como probabilidades a posteriori debido a que se deter-
FI

minan una vez obtenidos los datos empíricos, mediante el empleo de Teorema
de Bayes. Se trata por lo tanto de una probabilidad revisada con base en in- Para una mejor comprensión
formación adicional. del Teorema de Bayes, se
sugiere ingresar a la sección
Dados el evento B y la partición aleatoria de Ω {A1 A2 A3 ... An}, el Teo- Materiales Recursos del aula


rema de Bayes establece: virtual para ver las produccio-

nes audiovisuales llamadas
P ( AJ ∩ B ) P ( AJ ) .P ( B / AJ ) “Teorema de Bayes: Introduc-
P ( AJ / B )
= = =J 1, 2,..., n ción” y “Teorema de Bayes”.
P ( B) n

∑ P( A ).P( B / A )
i =1
i i

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

cundario sabiendo que trabaja es:
161
P(A2) . P(T/A2)
P(A2/T) =
P(A1).P(T/A1) + P(A2).P(T/A2) + P(A3).P(T/A3) + P(A4).P(T/A4)

0,24
= = 0,379
0,6325

Este archivo fue descargado de [Link]

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

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

Actividad 20:
En un curso de capacitación para administrativos de una compañía, 60% de

OM
los asistentes son mujeres; el 75% de los hombres son egresados de la uni-
versidad y el 50% de las mujeres también.

a) Elabore un diagrama de árbol que muestre todas las probabilidades

e indique cómo se llaman cada una de ellas.
b) Si se selecciona al azar una persona del curso para hacerle una en-
trevista, ¿cuál es la probabilidad de que se trate de una mujer uni-
versitaria?

.C
c) Si se selecciona un egresado universitario al azar, ¿cuál es la probabi-
lidad de que sea mujer?
DD
Actividad 21:
En el último año Talleres jugó al fútbol con Belgrano el 7% de los partidos, el
93% restante con otros equipos. Talleres ganó el 95% de los clásicos, mien-
tras que sólo ganó el 10% de los partidos que jugó con otros equipos.

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

LA

es la probabilidad que no gane Talleres?

b) En el diario del día de hoy se informa que Talleres ganó ayer, ¿cuál
es la probabilidad que haya jugado con Belgrano?
FI

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


Calcule la probabilidad que, seleccionada una lata defectuosa en su envasado,

ésta haya sido producida por la máquina B.

162

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

10. Referencias Bibliográficas

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

ceptos y Aplicaciones. 6º Edición Prentice Hall.

Díaz Margarita (2003). Notas de Probabilidad y Variable Aleatoria . Asocia-

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

- Díaz Margarita ….[[Link].] (2004) Estadística I: Guía de Estudio. -1ra Ed. Cór-
doba Asociación Cooperadora de la Fac. de Cs. de la U.N.C., 2009.338 páginas
27x21 cm ISBN 978-987-1436-21-7.

OM
- Hoel …….[[Link].] (1971). Introduction to Probability Theory. Hougton Mifflin
Company. Boston

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

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

ticas correspondiente a los Capítulos III a VI del programa de Estadística I.

.C
Asoc Coop F.C.E. (U.N.C.).
DD
LA
FI


163

Este archivo fue descargado de [Link]

 Anexo 1:
Lectura complementaria

Repaso de Álgebra de Conjuntos

• Dado un conjunto A = {a, b, c}, la relación de pertenencia de sus ele-

mentos se simboliza con a ∈ A.

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

ne, y se simboliza con # (A).

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

simboliza con φ.

OM
• Se llama conjunto universal a aquél formado por todos los elementos
que se están considerando, y se simboliza con Ω.

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

mentos del conjunto universal Ω que no pertenecen al conjunto A, y se

.C
simboliza con A .

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

cen a A. Se simboliza con B ⊂ A y se dice que B está incluido en A.
DD
• Dados dos conjuntos A y B se llama unión de ambos al conjunto for-
mado por los elementos que pertenecen sólo a A, sólo a B ó a ambos, y
se simboliza con A ∪ B.

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

LA

formado por los elementos comunes que pertenecen a A y B, y se sim-

boliza con A ∩ B.

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

común, por lo que su intersección es el conjunto vacío, y se simboliza
FI

A ∩ B = φ.

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

so dado se denomina Álgebra de Sucesos o Familia de Conjuntos, y se
simboliza con Ŧ.


Repaso de Técnicas de Conteo

Para el cálculo de probabilidades es necesario contar el número de resultados

posibles de un experimento como también el número de resultados que son
favorables a un evento dado. Este proceso de conteo puede simplificarse me-
diante el empleo de las denominadas técnicas de conteo. En este apartado
sólo revisaremos las Permutaciones, Variaciones y Combinaciones.
164
• Permutaciones

Una Permutación es un arreglo en un orden particular de los objetos

que forman un conjunto. Dado un conjunto de n elementos, el número
de permutaciones de esos n objetos es:
Pn =n. ( n − 1) . ( n − 2 ) ... ( 2 ) . (1) =n !

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

que es el producto de un entero positivo (n) por todos los que le pre-
ceden; expresión que se denota por n! y se lee “n factorial”. Dos per-
mutaciones cualesquiera sólo difieren en el orden de sus elementos.

• Variaciones

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

cionados a partir de un conjunto de n elementos. Dado un conjunto de
n elementos, el número de variaciones de r elementos de esos n obje-
tos es:
n!
Vnr =
( n − r )!
Dos variaciones cualesquiera pueden diferir en algún elemento o bien

OM
teniendo los mismos elementos en el orden de los mismos.

• Combinaciones

Una Combinación es un arreglo de r objetos seleccionados a partir de

un conjunto de n elementos sin importar el orden de los mismos. Dado

.C
un conjunto de n elementos, el número de combinaciones de r elemen-
tos de esos n objetos es:

Cnr =
n!
r !( n − r ) !
DD
Dos combinaciones cualesquiera sólo difieren en algún elemento
LA
FI


165

Este archivo fue descargado de [Link]

 Soluciones y respuestas al Capítulo 3
Guía de Estadística

Actividad 1

a) Ω = {oro, basto, espada, copa} Discreto (finito numerable)

b) Ω = {N / 1≤ N ≤ 12 } Discreto (finito numerable)
c) Ω = {1, 2, 3,…..} Discreto (finito no numerable)
d) Ω = {1, 2, 3,…..} Continuo

OM
e) Ω = {c1,c2,c3,c4,c5,c6,s1,s2,s3,s4,s5,s6} Discreto (finito numerable)

Actividad 2

Ejemplo 1: Elegir al azar un estudiante de la Facultad de Ciencias Económicas e

indagar sobre el sexo y si vive con sus padres.

.C
Ω = {(varón, si),(mujer, si),(varón, no),(mujer, no)} Discreto ( finito numera-
ble)

Resto: a cargo del alumno

DD
Actividad 3

a) Ejemplo 1:
A={varón que vive con sus padres}={(varón, si)} es un evento simple
LA

B={varón}={(varón, si),(varón, no)} es un evento compuesto

Resto: a cargo del alumno

b) A cargo del alumno.

FI

c) Ejemplo 1:
B={varón}={(varón, si),(varón, no)}
C={mujer}={(mujer, si),(mujer, no)}
D={vive o no con sus padres}= {(varón, si),(mujer, si),(varón, no),(mujer,


no)}

B y C son mutuamente excluyentes y colectivamente exhaustivos.

D es evento cierto

Resto: a cargo del alumno

166 Actividad 4

a) Que se trate de una parcela de nivel de producción alto.

b) Que se trate de una parcela de la Zona C y que tenga un nivel bajo de pro-
ducción.
c) Que No pertenezca a la zona A (es decir que puede pertenecer a la zona B
o C).

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

d) Que pertenezca a la zona A y B.

Actividad 5

Ese valor podría utilizarse como una medida de probabilidad sólo si el experi-
mento se realiza un número grande de veces, es decir se consultan más alum-
nos.

Actividad 6

a) Subjetivo
b) Clásico
c) Clásico

OM
d) Subjetivo
e) Frecuencial
f) Subjetivo
g) Subjetivo
h) Frecuencial
i) Subjetivo
j) Clásico

Actividad 7
.C
DD
A = varón C = mujer Total
B = Contador Público 25 41 66
D = Licenciaturas
21 13 34
(Administración o Economía)
Total 46 54 100
LA

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

b) P(D) = 34/100 = 0.34
c) P( C U B) = P( C) + P(B) – P( C –∩41/100=
B) = 54/10 0 + 66/10 0
79/100=0,79
d) P(A/D) = P( A ∩ D) / P( D) = (21/10 0 )/(34/10 0 ) = 0 .6176
e) P(A ∩ D) = 21/10 0 = 0 .21
FI

f) P( A U C) = P(A) + P( C) = 46/100+54/100= 1 (Evento CIERTO)

g) P( B ∩ D) = P( Ø ) = 0 (Evento IM POSIBLE)
h) Son mutuamente excluyentes.


Actividad 8

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

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

Actividad 9
167
a) Los resultados posibles son 5: Ω = {(0),(1),(2),(3),(4 o más)}
b) P(no vender productos) = 15/60 = 0.25
c) P(vender 1 producto) = 20/60 = 0.333
d) P(vender 3 o más productos) = (9+3)/60 = 12/60 = 0.20

Este archivo fue descargado de [Link]

 Actividad 10

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

Actividad 11

OM
A cargo del alumno

Actividad 12

1) Denotamos B ={bueno}, D ={defecto poco significativo} y G ={defecto

.C
grave}
a) P(B) = 15/24
b) P(G) = 3/24
c) P(B U D) = P( B) + P( D) = 15/24 +6/24 = 21/24
DD
2) Se toman dos artículos sin reposición
a) P(D ∩ D) =6/24*5/23 = 0.0543
b) P(BC ∩ BC) = 9/24*8/23 = 0.1304
c) P{(B ∩ BC) (BC ∩ B) } = 15/24*9/23 + 9/24*15/23 = 0.4891
LA

d) P(GC ∩ GC) = 21/24*20/23 = 0.7609

e) P(uno bueno) + P(los dos buenos) = P{(B ∩ BC) (BC ∩ B) }+ P(B ∩ B) =
0.4891 + 0.3804 = 0.8695

Actividad 13
FI

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

b) P( V ∩ V ∩ V ) = 6/9* 5/8 * 4/7 = 5/21 = 0.2381
c) P{(V ∩ V ∩ V) U (M ∩ M ∩ M)} = 0.25
d) P(una mujer y dos varones) = P(M ∩ V ∩ V) + P(V ∩ M ∩ V) + P(V ∩ V ∩


M) =3/9*6/8*5/7+6/9*3/8*5/7+6/9*5/8*3/7 = 0.5357
e) La probabilidad es igual a 0. El evento es imposible porque solo hay 3 mu-
jeres en el directorio.

Actividad 14

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

Este archivo fue descargado de [Link]

 Capítulo 3: Introducción a las probabilidades

Actividad 15

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

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

Actividad 16

a) Falso porque no se cumple la condición de independencia P(A ∩ B) =

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

Actividad 17

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

los mismos”.

.C
producto de las probabilidades es igual a la probabilidad de la intersección de

Sean A = ø tal que P(A) = 0 y B no vacío, entonces A y B son mutuamente

excluyentes, es decir P(A ∩ B) = 0 y se cumple la condición de independencia
DD
P(A ∩ B) = P(A).P(B) ya que P(A).P(B) = 0.P(B) = 0

Actividad 18

Sean A1 = {artículo producido por máquina X20}, A2 = {artículo producido por

LA

máquina X21}, A3 = {artículo producido por máquina X22} y A4 = {artículo

producido por máquina X23} tales que:

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

D = {artículo defectuoso}
FI

P(D/A1) = 0.02, P(D/A2) = 0.03, P(D/A3) = 0.05 y P(D/A4) = 0.07

P(D) = P(A1).P(D/A1)+P(A2).P(D/A2)+P(A3).P(D/A3)+ P(A4).P(D/A4)=
P(D) = 0,30.0,02 + 0,25.0,03 + 0,15.0,05 + 0,30.0,07 = 0,042


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

Actividad 20

a) Sean M = {mujer}, V = {varón}, U = {egresado de la Universidad},

P(U/M) = 0.50 169

P(M)=0.60
P(UC/M) = 0.50
Curso
P(U/V) = 0.75
P(V)=0.40
P(UC/V) = 0.25

Este archivo fue descargado de [Link]

 b) P(M ∩ U) = 0.30
c) P(M/U)= 0.50

Actividad 21

Sean B = {Talleres juega con Belgrano} y G = {Talleres gana el partido} tales

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

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

Actividad 22

OM
Sean A = {artículo producido por la máquina A}, B = {artículo producido por la
máquina B} y D= {artículo defectuoso}, tales que P(A) = 0.40, P(B) =0.60,
P(D/A) = 0.20 y P(D/B)= 0.15.

P(B/D) = 0.529

.C
DD
LA
FI


170

Este archivo fue descargado de [Link]