I.S.E.T.
Nº56 “TÉCNICO SUPERIOR EN SEGUROS”
<< ESTADÍSTICA >>
M4. PROBABILIDAD
1. INTRODUCCIÓN
Ya se ha señalado en el módulo anterior que el objetivo final del análisis de datos es el de extraer
conclusiones de tipo general (parámetros de una población) a partir de cálculos efectuados sobre un conjunto
particular de datos (estadísticos de una muestra). Para que este proceso de generalización sea válido la
muestra obtenida debe ser representativa de la población.
El término muestreo se refiere al proceso seguido para extraer una muestra de una población. El
muestreo puede ser de dos tipos: probabilístico y no probabilístico. En el muestreo probabilístico se conoce (o
puede calcularse) la probabilidad asociada a cada una de las muestras que es posible extraer, cada elemento
poblacional posee una probabilidad conocida (o calculable) de pertenecer a la muestra. En el muestreo no
probabilístico se desconoce o no se tiene en cuenta la probabilidad asociada a cada muestra. Sólo el muestreo
probabilístico permite obtener una idea sobre el grado de representatividad de la muestra seleccionada.
Se hace necesario entonces estudiar el concepto de probabilidad como así también las propiedades y
reglas que rigen su cálculo.
2. CONCEPTOS BÁSICOS
2.1. Espacio muestral y eventos
La Teoría de Probabilidades estudia los llamados experimentos aleatorios. Ejemplos clásicos de estos
experimentos son los juegos de azar.
Un experimento aleatorio tiene las siguientes características:
1- Se lo puede repetir bajo las mismas condiciones tantas veces como se desee.
2- No se puede predecir con exactitud el resultado de dicho experimento, pero se puede decir cuáles son
los posibles resultados del mismo.
Ejemplo 1:
a) tirar un dado (y registrar el número en la cara de arriba)
b) tirar una moneda (y registrar la fase que se ve)
c) lanzar una moneda tres veces (y registrar la sucesión de caras y cecas obtenidas)
Observación: en los experimentos no aleatorios o deterministas se puede predecir con exactitud el
resultado del experimento, es decir, las condiciones en las que se verifica un experimento determinan el
resultado del mismo. Por ejemplo, si se arroja hacia arriba un objeto con cierta velocidad inicial, es posible
calcular la altura máxima que alcanzará, así como el tiempo que tardará en volver a caer.
El conjunto de todos los resultados posibles de un experimento aleatorio es el espacio muestral y lo
denominaremos con la letra S.
Ejemplo 2:
a) Si el experimento aleatorio es tirar un dado y registrar el número en la cara de arriba, entonces el
espacio muestral S = {1, 2, 3, 4, 5, 6}
b) Si el experimento aleatorio es tirar una moneda, entonces S = {cara, ceca}
c) Si el experimento aleatorio es lanzar una moneda tres veces y registrar la sucesión de caras y cecas
obtenidas, entonces S = {CCC, CCX, CXC, CXX, XCC, XCX, XXC, XXX}, (donde C representa cara y X ceca).
2
d) Si el experimento aleatorio es tirar un dado las veces necesarias hasta que sale un 6 por primera vez, y
contar el número de tiros realizados, entonces S = {1, 2, 3, 4, ...} = N, donde N es el conjunto de los números
naturales.
e) Si el experimento aleatorio es medir el tiempo de vida de una lamparita eléctrica, entonces
S = {t ∈ R, t ≥ 0} donde R es el conjunto de los números reales.
Se llama evento o suceso a todo subconjunto del espacio muestral.
Ejemplo 3:
a) En el experimento dado en el Ejemplo 2 a), un posible evento es A: “que salga número par”. Los
elementos de S (espacio muestral) que “cumplen” con este evento son A = {2, 4, 6} (A está incluido en S). Si se
considerara el evento B: “que salga un número menor o igual que 3”, B = {1, 2, 3}.
b) En el experimento dado en el Ejemplo 2 c), un evento de S sería C: “que salgan por lo menos dos caras”.
Enumere los elementos de este caso
Pregunta
c) En el experimento dado en el Ejemplo 2 e), un evento de S sería D: “tiempo de duración de la lamparita
mayor a 1200 horas”.
Pregunta ¿Podría enumerar los elementos en este caso?
Observaciones:
1- Un caso particular de eventos, son aquellos que no tienen elementos, esto es, que ningún elemento del
espacio muestral cumple con lo especificado en el evento (el resultado es el conjunto vacío (∅). Un evento
cuyo resultado es el conjunto vacío cumple con la definición presentada de evento “subconjunto del espacio
muestral” (pues el conjunto ∅ está incluido en todo conjunto, en particular ∅ está incluido en S). Es el evento
que nunca ocurre.
Por ejemplo, el evento “que salgan 5 caras” produce un conjunto vacío (no es posible que suceda ya que
en el experimento aleatorio de lanzar una moneda 4 veces no pueden obtenerse 5 caras). Sin embargo, es un
evento aplicable a este experimento aleatorio.
Otro caso particular está dado por aquellos eventos cuyos elementos son todos los elementos del espacio
muestral (también cumplen con la condición de ser subconjuntos del espacio muestral). Estos eventos siempre
ocurren. Un ejemplo para el experimento aleatorio de lanzar 4 monedas sería “que salgan 0 o más caras”.
2- En el ejemplo 3 a) anterior, si al tirar el dado sale el número 2, entonces podemos decir que A ocurrió
pues 2 es un elemento de A. Pero también B ocurrió pues 2 es un elemento de B. En cambio, si al tirar el dado
sale el número 4, entonces el evento A ocurrió, pero B no ocurrió, pues 4 no es un elemento de B.
Es infinita la cantidad de eventos que pueden definirse para un determinado experimento
aleatorio. Cada evento definido siempre debe ir acompañado por el experimento aleatorio ya
que los elementos que cumplan con ese evento dependen del experimento. Los elementos del
evento “que salgan 2 caras o más” no son los mismos si se tiene que el experimento aleatorio
de tirar una moneda 2 veces o de tirar una moneda 4 veces.
3
2.2. Operaciones entre eventos
Las operaciones habituales entre conjuntos se pueden aplicar a los eventos, dando como resultado
nuevos eventos. Específicamente:
Si A y B son eventos, entonces A∪B (se lee A unión B) es otro evento, A∪B ocurre sí y solo sí ocurre A u
ocurre B.
Si A y B son eventos, entonces A∩B (se lee A intersección B) es otro evento, A∩B ocurre sí y solo sí ocurre
A y ocurre B.
Si A es un evento, 𝐴 es el evento complementario es decir A ocurre sí y solo sí 𝐴 no ocurre.
Ejemplo 4
Si se consideran los eventos A y B del ejemplo 3 a (Evento A: “número par”, Evento B: “número menor o igual
que 3”), se tiene:
A∪B = {1, 2, 3, 4, 6} (“número par” o “número menor o igual que 3”)
A∩B = {2} (“número par” y “número menor o igual que 3”)
𝐴 = {1, 3, 5} (“número no par”)
2.3. Asignación de probabilidades
La probabilidad es un valor que expresa la medida de la posibilidad de que ocurra un evento. Asume
valores comprendidos entre 0 y 1. Un evento cuya probabilidad de ocurrencia es cero es un evento que no va
a ocurrir, si la probabilidad es 1 ocurrirá con total certeza.
¿Cuál es el valor de probabilidad que describe una situación de
Pregunta máxima incertidumbre?
Para asignar la probabilidad a un evento existen varias escuelas de pensamiento.
2.3.1. Probabilidad clásica
La definición clásica adjudicada al matemático Pierre Simón Laplace establece que la probabilidad de un
evento es la razón entre el número de casos favorables y el número total de casos posibles, siempre que los
casos sean equiprobables. En símbolos:
𝑛ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑝(𝐴) =
𝑛ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
Ejemplo 5
Supongamos que se tira un dado equilibrado, esto es que todas las caras tienen igual probabilidad de caer
hacia abajo. Consideremos los eventos D: “que salga un 5”, E: “que salga un número mayor o igual a 5” y F:
4
“que salga un número par”. Para calcular las probabilidades de cada evento se debe contar la cantidad de
resultados pertenecientes a cada evento y utilizar la definición dada. Así:
1 ¿Por qué?
𝑝(𝐷) = 6
¿Por qué?
2
𝑝(𝐸) = = 0, 3̂
6
3
𝑝(𝐹) = = 0,5
6
En cambio, si el experimento aleatorio se realiza con un dado que tiene alguna deformación o su centro
de gravedad está desplazado, nada garantiza que la probabilidad de obtener un 5 sea 1/6. En ese caso es
necesario recurrir a otra forma de asignación de probabilidades.
2.3.2. Probabilidad empírica
Esta teoría afirma que un procedimiento válido para calcular la probabilidad de eventos asociados a un
experimento aleatorio es el de repetir el experimento un número grande de veces y registrar la frecuencia
relativa con que el evento ocurre. Imaginemos una serie de N repeticiones y sea NA el número de ellas en que
el suceso A ocurrió. La fracción NA /N es la frecuencia relativa de A en N repeticiones. Es un hecho
experimentalmente observable (si la experiencia se realiza en iguales condiciones) que a medida que N crece,
la frecuencia relativa de un evento A tiende a estabilizarse alrededor de un valor límite. Ese valor límite es la
probabilidad de A. Simbólicamente:
𝑁𝐴
𝑝(𝐴) = lim
𝑁→∞ 𝑁
Ejemplo 6
Se tiene una moneda y no se sabe si está “equilibrada” (esto quiere decir que al arrojarla la probabilidad
de obtener una cara es igual a la probabilidad de sacar ceca). Si se desea conocer la probabilidad de obtener
una cara, se debe repetir el experimento aleatorio un número grande de veces, observar la cantidad de caras
que se obtienen y dividirlo por el total de repeticiones que se efectuaron. Dicho valor es la probabilidad que
se desea conocer.
La probabilidad de que sufra alguna rotura el transporte en el
Pregunta que una persona se está trasladando es 0,50 ya que sólo se
tienen dos casos posibles: se rompe o no se rompe. ¿Esto es
correcto? ¿Esta probabilidad se debe calcular según la
probabilidad clásica o la empírica?
2.3.3. Probabilidad subjetiva
En esta teoría la asignación de probabilidades se basa en conocimientos del contexto en que se está
trabajando a partir de evidencias disponibles, en opiniones personales, o en experiencias previas. La
5
probabilidad asignada a un evento puede ser distinta para distintas personas que la asignen. Un ejemplo es el
pronóstico del tiempo. Se realizan predicciones de cómo serán las condiciones climáticas para un período de
tiempo, basadas en conocimientos científicos pero no por repetir un experimento aleatorio un número grande
de veces ni por identificar la cantidad de casos favorables sobre la cantidad de casos posibles.
La asignación de probabilidad subjetiva se da generalmente cuando los eventos ocurren un número
reducido de veces.
Sin embargo, en las organizaciones a pesar de que es común tomar decisiones en base a la probabilidad
subjetiva la mayoría de las veces ésta se respalda con datos estadísticos.
2.4. Reglas para el cálculo de probabilidades
2.4.1. Probabilidad simple
La probabilidad simple es la que se asigna a un evento descripto por una sola característica. Se basa en las
teorías explicadas anteriormente.
Ejemplo 7
a) En el experimento aleatorio de extraer una carta al azar de un mazo de 40 cartas españolas, la
probabilidad del evento A: “la carta extraída es un as”:
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 4
𝑝(𝐴) = = = 0,10
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Para el mismo experimento aleatorio, dado evento B: ”la carta extraída es de espadas”
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠 10
𝑝(𝐵) = = = 0,25
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Finalmente, para el evento C:” la carta extraída es una figura (rey, caballo o sota)”
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑖𝑔𝑢𝑟𝑎𝑠 12
𝑝(𝐶) = = = 0,30
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
b) En el experimento aleatorio de extraer al azar una tuerca de un lote de 50 piezas que contiene 4
defectuosas, la probabilidad del evento D: “la pieza extraída no es defectuosa”:
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑢𝑒𝑟𝑐𝑎𝑠 𝑛𝑜 𝑑𝑒𝑓𝑒𝑐𝑡𝑢𝑜𝑠𝑎𝑠 46
𝑝(𝐷) = = = 0,92
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑢𝑒𝑟𝑐𝑎𝑠 50
Pregunta ¿Cuánto vale 𝑝 (𝐴̅), 𝑝(𝐵̅), 𝑝 (𝐶̅ ) 𝑦 𝑝 (𝐷
̅ )?
6
2.4.2. Probabilidad de la intersección de eventos
Si en el experimento aleatorio del ejemplo 7a) se quiere establecer la probabilidad de que la carta extraída
sea un as de espadas, se está pidiendo que se cumplan simultáneamente dos eventos: el evento A y el evento
B. En símbolos se quiere calcular P(A ∩ B). Utilizando la definición clásica se tiene:
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎 1
𝑝(𝐴 ∩ 𝐵) = = =
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Veremos más adelante otra forma de realizar este cálculo que será de gran ayuda cuando no se cuenta
con toda la información necesaria para el cálculo directo.
2.4.3. Probabilidad condicional
En ocasiones la probabilidad de ocurrencia de un evento puede estar condicionada por la ocurrencia de
otro.
Ejemplo 8
Supongamos el experimento aleatorio de extraer al azar sin reemplazo dos bolillas de una urna que
contiene 7 bolillas rojas y 3 blancas. Asumimos que las bolillas de un mismo color son distinguibles.
Consideramos los eventos A: “la primera bolilla extraída es blanca”, y B: “la segunda bolilla extraída es
blanca”.
Es claro que P(A) = 3/10. Pero si queremos calcular P (B) no es tan directo. Podemos calcular la probabilidad
de B sabiendo que A ocurrió: es igual a 2/9, ya que, si A ocurrió, entonces en la urna quedaron 9 bolillas de las
cuales 2 son blancas. La probabilidad anterior la anotamos P(B/A) y se lee: probabilidad condicional de B
habiendo ocurrido A. Es decir, P(B/A) = 2/9.
Notar que podemos interpretar lo anterior de la siguiente forma: el espacio muestral original S se ha
reducido al evento A, es decir se toma a A como nuevo espacio muestral para calcular la probabilidad de B.
También podemos interpretar que la probabilidad condicional de B dado A debería ser la proporción de
veces que ocurre A∩B con respecto al número de veces que ocurre A. Esta idea motiva la siguiente definición:
Sean A y B dos eventos de un espacio muestral S. La probabilidad condicional de B dado A se define como:
P(A∩B)
P(B/A) = si P(A) ≠ 0
P(A)
Análogamente:
P(A∩B)
P(A/B) = si P(B) ≠ 0
P(B)
En algunos casos se puede calcular P(A/B) directamente reduciendo el espacio muestral. En otros será
necesario aplicar la definición anterior.
7
Ejemplo 9
a) Se tira un dado normal dos veces. Sean los eventos A: “la suma de los números obtenidos es 6” y B: “el
primer número es igual a 4”. Entonces para calcular P(A/B) mediante la definición de probabilidad condicional
1
𝑃(𝐴∩𝐵) 1
P(A/B) = = 36
6 =
𝑃(𝐵) 36
6
También podemos calcularlo en forma directa, reduciendo el espacio muestral, de todos los pares que
forman el evento B, observamos cuáles cumplen con lo requerido por A, es decir de todos los pares de B, solo
uno tiene la propiedad de que sus componentes suman 6, por lo tanto P(A/B) = 1/6.
b) En cierta ciudad, 40% de la población tiene cabellos castaños, 25% tiene ojos castaños y 15% tiene
cabellos y ojos castaños. Se escoge una persona al azar. Sean los eventos A: “la persona elegida al azar tiene
ojos castaños”, B: “la persona elegida al azar tiene cabellos castaños”. Si se selecciona un individuo que tiene
cabellos castaños, ¿cuál es la probabilidad de que también tenga ojos castaños?
𝑃(𝐴∩𝐵) 0,15
P(A/B) = = 0,40 = 0,375
𝑃(𝐵)
2.4.4. Regla de la multiplicación
𝑃(𝐴∩𝐵)
Como se dijo antes, si A y B son dos eventos entonces P(A/B) = si P(B) ≠ 0
𝑃(𝐵)
Por lo tanto
P(A ∩ B) = P(B) . P(A/B)
𝑃(𝐴∩𝐵)
Análogamente de P(B/A) = si P(A) ≠ 0
𝑃(𝐴)
Se deduce que
P(A ∩ B) = P(A) . P(B/A)
Ejemplo 10
Consideremos el experimento de extraer dos bolillas al azar sin reemplazo de una urna que contiene3
bolillas blancas y 7 rojas. Si A: “la primer bolilla extraída es blanca”, y B: “la segunda bolilla extraída es blanca”,
entonces:
3 2
P(A∩B) = P(A) . P(B/A) = 10 . 9
2.4.5. Eventos independientes
Dos eventos son independientes si la probabilidad de ocurrencia de uno no se ve modificada por la
ocurrencia del otro.
Ejemplo 11
8
Supongamos la situación ya analizada de extraer dos bolillas al azar sin reemplazo de una urna que
contiene 3 bolillas blancas y 7 rojas. Si A: “la primer bolilla extraída es blanca”, y B: “la segunda bolilla extraída
es blanca” cabe preguntarse si A y B son independientes. Para ello hagamos algunos cálculos.
2
La probabilidad de que ocurra B habiendo ocurrido A es P(B/A) = 9 (¿por qué?) y la probabilidad de que
3
ocurra B no habiendo ocurrido A es P(B/A) = 9 (¿por qué?). Se puede ver que la probabilidad de que ocurra B
depende de si el evento A ocurre o no. Por lo tanto A y B no son independientes. Del análisis anterior se
desprende lo siguiente.
Si A y B son eventos independientes se cumple que P(B/A) = P(B/𝐀) = P(B)
Notar que por la regla de la multiplicación:
Si A y B son eventos independientes se cumple que P(A∩B) = P(A) . P(B)
¿Qué modificación se debería hacer en el experimento aleatorio de
Pregunta extraer dos bolillas mencionado en el ejemplo para que los eventos
A y B sean independientes?
2.4.6. Probabilidad de la unión de eventos
Si en el mismo experimento aleatorio del ejemplo 7a) se quiere establecer la probabilidad de que la carta
extraída sea un as o una figura, simbólicamente la probabilidad buscada es 𝑝(𝐴𝑈𝐶). Para dicho cálculo
podemos recurrir a la definición clásica:
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 + 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑓𝑖𝑔𝑢𝑟𝑎𝑠 4 + 12
𝑝(𝐴𝑈𝐶) = = =
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠 40
Comparando con los resultados obtenidos en el ejemplo a del apartado 2.4.1 se observa que el cálculo
precedente coincide con la suma de las probabilidades individuales de los eventos simples A y C. Es decir:
𝑝(𝐴𝑈𝐶) = 𝑝(𝐴) + 𝑝(𝐶)
Esto se debe a que los eventos A y C no tienen elementos en común, su intersección es un conjunto vacío.
En símbolos A ∩ C = ∅. Cuando esto ocurre se dice que los eventos A y B son mutuamente excluyentes o
disjuntos.
¿Qué ocurrirá si los eventos no son excluyentes? Es decir si ambos sucesos tienen elementos en común,
¿cómo se calcula la probabilidad de la unión?
Se quiere calcular la probabilidad de que la carta extraída sea un as o una carta de espadas.
Simbólicamente es p(AUB).
𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠
𝑝(𝐴𝑈𝐵) = 𝑛º 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 + 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠 − 𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑎𝑠𝑒𝑠 𝑑𝑒 𝑒𝑠𝑝𝑎𝑑𝑎𝑠
𝑝(𝐴𝑈𝐵) =
𝑐𝑎𝑛𝑡𝑖𝑑𝑎𝑑 𝑑𝑒 𝑐𝑎𝑟𝑡𝑎𝑠
Debemos observar que al sumar los casos favorables cada caso debe contarse una sola vez. Si sumamos
la cantidad de ases más la cantidad de espadas estamos sumando dos veces al as de espadas. Es por eso que
luego se lo resta.
9
Se deduce entonces que:
P(AUB) = P(A) + P(B) - P(A ∩ B)
Como puede apreciarse que el caso de eventos disjuntos es un caso particular de éste último para eventos
mutuamente excluyentes en los cuales P(A ∩ B) = 0.
3. VIDEOS EXPLICATIVOS
[Link]
[Link]
[Link]
[Link]
[Link]
10
