Resumen sobre Probabilidad

1 Probabilidad
La probabilidad es una medida numérica de la posibilidad de que ocurra un even-
to. Las probabilidades cuantifican el grado de incertidumbre asociado a cada evento y
permiten determinar la posibilidad de ocurrencia de dicho evento.

1.1 Escala de Probabilidad

Los valores de probabilidad se encuentran en una escala de 0 a 1:

Valores cercanos a 0: Indican que las posibilidades de que ocurra un evento son
muy bajas.

Valores cercanos a 1: Indican que es casi seguro que ocurra un evento.

Valores entre 0 y 1: Representan distintos grados de posibilidad de que ocurra

un evento.

1.2 Experimento
Un experimento es definido como un proceso que genera resultados definidos. En cada
una de las repeticiones del experimento, habrá uno y sólo uno de los posibles resultados
experimentales. A continuación se dan varios ejemplos de experimentos con sus corres-
pondientes resultados:

Lanzar una moneda: Cara, cruz

Tomar una pieza para inspeccionarla: Con defecto, sin defecto

Realizar una llamada de ventas: Hay compra, no hay compra

Lanzar un dado: 1, 2, 3, 4, 5, 6

Jugar un partido de fútbol: Ganar, perder, empatar

Al especificar todos los resultados experimentales posibles, está definiendo

el espacio muestral de un experimento.

1.3 Espacio Muestral

El espacio muestral de un experimento es el conjunto de todos los resultados ex-
perimentales. A un resultado experimental también se le llama punto muestral para
identificarlo como un elemento del espacio muestral.

1
2 Reglas de Conteo, Combinaciones y Permutaciones
Para asignar probabilidades, es necesario identificar y contar los resultados experi-
mentales. Aquı́ se presentan algunas reglas de conteo comunes.

2.1 Regla de Conteo para Experimentos de Pasos Múltiples

Cuando un experimento se describe como una sucesión de k pasos, en los que hay n1
resultados posibles en el primer paso, n2 resultados posibles en el segundo paso, y ası́
sucesivamente, el número total de resultados experimentales se calcula como:

(n1 ) · (n2 ) · . . . · (nk )

Por ejemplo, para un experimento que consiste en lanzar dos monedas, donde cada
moneda tiene 2 posibles resultados (cara o cruz), la regla de conteo se aplica ası́:

(2) · (2) = 4
Sea S el espacio muestral, entonces:

S = {(H, H), (H, T ), (T, H), (T, T )}

Donde H es cara y T es cruz. Entonces, hay 4 resultados experimentales posibles.
Un diagrama de árbol es una representación gráfica que permite visualizar un
experimento de pasos múltiples.

Figura 1: Diagrama de árbol para el lanzamiento de 2 monedas

2.2 Combinaciones
La combinación permite contar el número de resultados experimentales cuando el
experimento consiste en seleccionar n objetos de un conjunto (usualmente mayor) de N
objetos.
Cuando se hace un muestreo de una población finita de tamaño N , la regla de conteo
para combinaciones sirve para hallar el número de muestras de tamaño n que pueden
seleccionarse.
La fórmula para calcular el número de combinaciones es:
N!
CnN =
n! · (N − n)!

2
2.3 Permutaciones
La permutación permite contar el número de resultados experimentales cuando se
seleccionan n objetos de un conjunto de N y el orden de selección es relevante.
La fórmula para calcular el número de permutaciones es:
N!
PnN =
(N − n)!
Ejemplo: Supongamos que un inspector selecciona al azar 2 de 5 piezas para probar
que no tengan defectos. Etiquetando las piezas como A, B, C, D y E:
Número de combinaciones:
5! 120
C25 = = = 10
2! · (5 − 2)! 2·6
Las 10 combinaciones posibles son: AB, AC, AD, AE, BC, BD, BE, CD, CE, DE.
Observen que no importa el orden de selección, es decir, AB = BA o AC = CA,
y ası́ con los otros casos.
Número de permutaciones:
5! 120
P25 = = = 20
(5 − 2)! 6
Las 20 permutaciones posibles son: AB, BA, AC, CA, AD, DA, AE, EA, BC, CB,
BD, DB, BE, EB, CD, DC, CE, EC, DE, ED. En este caso, el orden de selección sı́
importa.

3 Asignación de Probabilidades
A cada resultado experimental hay que asignarle una probabilidad.
Los requerimientos básicos para la asignación de probabilidades son los
siguientes:

La probabilidad asignada a cada resultado experimental debe estar entre 0 y 1.

Si Ei es el i-ésimo resultado experimental y P (Ei ) es la probabilidad del i-ésimo
resultado experimental, entonces 0 ≤ P (Ei ) ≤ 1 para todo i.

Si hay un total de n resultados experimentales, entonces

n
X
P (Ei ) = P (E1 ) + P (E2 ) + · · · + P (En ) = 1.
i=1

3.1 Métodos de Asignación de Probabilidades

3.1.1 Método Clásico
Todos los resultados tienen la misma probabilidad. Es decir,

P (E1 ) = P (E2 ) = · · · = P (En ).

Dado que
n
X
P (Ei ) = 1,
i=1

3
se tiene que
n · P (Ei ) = 1
y por lo tanto,
1
P (Ei ) = ,
n
con 1 ≤ i ≤ n y 0 ≤ P (Ei ) ≤ 1.

3.1.2 Método de Frecuencia Relativa

El Método de Frecuencia Relativa se basa en utilizar las frecuencias relativas obser-
vadas en una muestra como las probabilidades de los distintos resultados experimentales.
Recordar que: la suma de las frecuencias relativas es igual a 1, entonces se cumplirá el
hecho de que las sumas de las probabilidades sean 1. Además, todas están entre 0 y 1,
por ser una proporción entre la cantidad de veces que se repite un mismo resultado expe-
rimental (frecuencia absoluta) y el número total de experimentos realizados (n tamaño
de muestra).

3.1.3 Método Subjetivo

Si cuento con pocos datos relevantes,la asignación de probabilidad, dependerá del
sujeto que la asigne. Entonces, cada sujeto puede haber asignado probabilidades diferentes
a los mismos resultados de un experimento. Por esta razón, se debe asignar el grado de
confianza, entre 0 y 1, que se tiene acerca de que cada resultado ocurra.
El Teorema de Bayes proporciona un medio para combinar la probabilidad subjetiva
con probabilidades obtenidas por otros medios, para obtener probabilidades revisadas.

4 Eventos y sus Probabilidades

Un evento es una colección de puntos muestrales.
La probabilidad de un evento es igual a la suma de las probabilidades de los puntos
muestrales que forman el evento.
Ejemplo
Consideremos una encuesta realizada a 60 personas sobre el tiempo que pasan en su
tiempo libre. Los resultados son:

Tiempo (horas) Frecuencia Absoluta Frecuencia Relativa

1-2 8 0.13
3-4 12 0.20
5-6 18 0.30
7-8 14 0.23
9-10 8 0.13

Cuadro 1: Frecuencias Absolutas y Relativas del tiempo libre

Definimos los siguientes eventos:

C: el evento de que una persona pase al menos 5 horas en su tiempo libre.

Entonces, C = {5-6, 7-8, 9-10}.

L: el evento de que una persona pase a lo sumo 4 horas en su tiempo libre.

Entonces, L = {1-2, 3-4}.

4
 La probabilidad de que una persona pase al menos 5 horas en su tiempo libre es:

P (C) = P (5-6) + P (7-8) + P (9-10) = 0,30 + 0,23 + 0,13 = 0,66.

La probabilidad de que una persona pase a lo sumo 4 horas en su tiempo libre es:

P (L) = P (1-2) + P (3-4) = 0,13 + 0,20 = 0,33.

Siempre que se puedan identificar todos los puntos muestrales de un experimento y

asignar a cada uno su probabilidad, es factible calcular la probabilidad de un evento
usando la definición.
Sin embargo, en muchos experimentos, la gran cantidad de puntos muestrales hace en
extremo difı́cil, si no imposible, la determinación de los puntos muestrales, ası́ como la
asignación de sus probabilidades correspondientes. En lo que sigue, se presentan algunas
relaciones básicas de probabilidad útiles para calcular la probabilidad de un evento,
sin necesidad de conocer las probabilidades de todos los puntos muestrales.

5 Relaciones básicas de probabilidad

5.1 Complemento de un evento
La probabilidad del complemento de un evento A se calcula como:

P (A) + P (Ac ) = 1

Donde Ac = S − A.

Ac S
A

5.2 Ley de Adición

Unión de dos eventos:
La unión de A y B es el evento que contiene todos los puntos muestrales que pertenecen
a A o a B o a ambos. La unión se denota A ∪ B. La probabilidad de la unión de dos
eventos se calcula de la siguiente manera:

Para eventos mutuamente excluyentes:

Dos eventos son mutuamente excluyentes si no tienen puntos muestrales en común.
En este caso, la probabilidad de la unión se calcula simplemente sumando las pro-
babilidades de cada evento:

P (A ∪ B) = P (A) + P (B)

Aquı́, P (A ∩ B) = 0, ya que no hay intersección entre los eventos.

5
 S
A B

Diagrama de Venn para eventos mutuamente excluyentes

Para eventos que no son mutuamente excluyentes:

Si los eventos no son mutuamente excluyentes, es decir, si pueden ocurrir simultánea-
mente y tienen puntos muestrales en común, la probabilidad de la unión se calcula
ajustando por la intersección de los eventos:

P (A ∪ B) = P (A) + P (B) − P (A ∩ B)

En este caso, P (A ∩ B) representa la probabilidad de que ambos eventos ocurran

simultáneamente, y se resta para evitar contar esta probabilidad dos veces.

A A∩B B

Diagrama de Venn para eventos que no son mutuamente excluyentes

5.3 Probabilidad Condicional

La probabilidad condicional de un evento A dado que el evento B ha ocurrido se
denota por P (A|B) y se calcula como:

P (A ∩ B)
P (A|B) =
P (B)
donde:
• P (A ∩ B) es la probabilidad de que ambos eventos A y B ocurran simultánea-
mente.(Probabilidad conjunta)
• P (B) es la probabilidad de que ocurra el evento B.
Para calcular P (B|A), la fórmula es:

P (A ∩ B)
P (B|A) =
P (A)
donde:
• P (B|A) es la probabilidad de que ocurra el evento B dado que el evento A ya
ha ocurrido.
• P (A ∩ B) es la probabilidad de que ambos eventos A y B ocurran simultánea-
mente.

6
 • P (A) es la probabilidad de que ocurra el evento A.

Suponga que tiene un evento A cuya probabilidad es P(A). Si obtiene nueva infor-
mación, sobre un evento que ya ha ocurrido y que está relacionado con él, deseará
aprovechar está información y recalcular su probabilidad.

A A∩B B

Diagrama de Venn para probabilidad condicional

5.4 Ley de la multiplicación: Eventos Independientes y De-

pendientes
5.4.1 Eventos Independientes
Dos eventos A y B son independientes si la ocurrencia de uno no afecta la proba-
bilidad de ocurrencia del otro. Esto se expresa como:

P (A | B) = P (A)
o
P (B | A) = P (B)

5.4.2 Eventos Dependientes

Si dos eventos no son independientes, entonces son dependientes. En este caso, la
probabilidad de A dado que B ha ocurrido es diferente de P (A). Esto se expresa
como:

P (A | B) ̸= P (A)

La probabilidad de A depende de la ocurrencia del evento B.

5.4.3 Ley de la Multiplicación

Es útil para calcular la probabilidad de la intersección de dos eventos.
Para eventos independientes, la ley de la multiplicación se expresa como:

P (A ∩ B) = P (A) · P (B)

Para eventos dependientes, la ley de la multiplicación se ajusta a:

P (A ∩ B) = P (A | B) · P (B)

7
Diferencia entre Eventos Excluyentes e Independientes
No hay que confundir la noción de eventos mutuamente excluyentes con la de even-
tos independientes. Dos eventos cuyas probabilidades no son cero no pueden ser
mutuamente excluyentes e independientes. Si uno de los eventos mutuamente ex-
cluyentes ocurre, el otro evento no puede ocurrir; por tanto, la probabilidad de que
ocurra el otro evento se reduce a cero.

Ejemplo
En un lanzamiento de un dado, consideremos los eventos:

• Evento A: Sacar un número par (2, 4, 6).

• Evento B: Sacar un número impar (1, 3, 5).

Aquı́, A y B son mutuamente excluyentes porque no podés obtener un número que

sea simultáneamente par e impar. Es decir, la ocurrencia de un evento impide la
ocurrencia del otro. Entonces, P (A ∩ B) = 0.
Supongamos que queremos analizar la independencia.

• P (A) = 3
6
= 1
2
• P (B) = 3
6
= 1
2
.

Para que los eventos sean independientes, la probabilidad conjunta deberı́a ser:

P (A ∩ B) = P (A) · P (B)
1 1
0= ·
2 2
1
0 ̸=
4
Entonces, P (A ∩ B) ̸= P (A) · P (B) y los eventos no son independientes.
Esto se debe a que,como son mutuamente excluyentes, si A ocurre (sacas un número
par), la probabilidad de B (sacar un número impar) se reduce a cero: P (B | A) = 0.
Este es un caso de dependencia total, ya que la ocurrencia de un evento excluyente
(sacar un número par) garantiza que el otro evento (sacar un número impar) no
pueda ocurrir en absoluto. La probabilidad de que ocurra uno de los eventos depende
completamente de la no ocurrencia del otro.
Esto muestra que los eventos mutuamente excluyentes no pueden ser independientes
cuando sus probabilidades no son cero.

6 Teorema de Bayes
En el estudio de probabilidad condicional se vio que revisar las probabilidades cuan-
do se obtiene más información es parte importante del análisis de probabilidad. Por
lo general, se suele iniciar el análisis con una estimación de probabilidad inicial o
probabilidad previa de los eventos que interesan. Luego, a partir de fuentes como
una muestra, información especial o una prueba del producto, se obtiene más infor-
mación sobre estos eventos. Con esta nueva información, se modifican o revisan los

8
valores de probabilidad mediante el cálculo de probabilidades revisadas, conocidas
como probabilidades posteriores. El teorema de Bayes es un medio para calcular
estas probabilidades.

Teorema de Bayes para 2 eventos:

P (A1 ) · P (B|A1 )
P (A1 |B) =
P (A1 ) · P (B|A1 ) + P (A2 ) · P (B|A2 )

P (A2 ) · P (B|A2 )
P (A2 |B) =
P (A1 ) · P (B|A1 ) + P (A2 ) · P (B|A2 )
El teorema de Bayes es aplicable cuando los eventos para los que se quiere calcular
la probabilidad revisada son mutuamente excluyentes y su unión es todo el espacio
muestral.
En el caso de n eventos mutuamente excluyentes A1 , A2 , . . . , An , cuya unión sea
todo el espacio muestral, el teorema de Bayes aplica para calcular cualquiera de las
probabilidades posteriores P (Ai |B) como se muestra a continuación:

P (Ai ) · P (B|Ai )
P (Ai |B) = Pn
j=1 P (Aj ) · P (B|Aj )

Aclaraciones:
1. El teorema de Bayes se usa mucho en la toma de decisiones. Las probabilida-
des previas suelen ser estimaciones subjetivas dadas por la persona que toma
las decisiones. Se obtiene información muestral y se usan las probabilidades
posteriores para emplearlas en la toma de decisiones.
2. Un evento y su complemento son mutuamente excluyentes y su unión es todo
el espacio muestral. Por tanto, el teorema de Bayes siempre se emplea para
calcular la probabilidad posterior de un evento y su complemento.

Bibliografı́a:

Anderson, D. R., Sweeney, D. J., & Williams, T. A. (2010). Estadı́stica para admi-
nistración y economı́a (10ª ed.). Cengage Learning.