Módulo IV

Introducción a la Probabilidad
 Principios de probabilidad

Reglas Tablas de Árboles de

Introducción Relaciones contingencia y Probabilidad
probabilidad entre eventos probabilidad tablas de condicional probabilidades
probabilidad

Frecuencia Eventos Multiplicación Teorema de

relativa mutuamente Bayes
excluyentes

Subjetivo Eventos Adición

colectivamente
excluyentes

Clásico Eventos
independientes

Eventos
complementarios
Introducción a la probabilidad

En la actualidad vemos que la teoría de la probabilidad ocupa un lugar importante en

muchos asuntos de negocios. Los seguros y prácticas actuariales se basan firmemente en
los principios de la teoría de la probabilidad. Las pólizas de seguros de vida dependen de
las tablas de mortalidad, las cuales a su vez se basan en las probabilidades de muerte en
edades específicas. Otras tasas de seguros tales como seguro de bienes raíces y de
automóviles se determinan de manera similar. La probabilidad también juega un papel
importante en la estimación del número de unidades defectuosas en un proceso de
fabricación, la probabilidad de recibir pagos sobre cuentas por cobrar y las ventas
potenciales de un nuevo producto. Incluso los apostadores profesionales en eventos
deportivos deben tener una comprensión sólida de la teoría de la probabilidad.

A pesar de la difundida aplicación de los principios de la probabilidad, existen sólo tres

formas generalmente aceptadas para enfocar: (1) el modelo de frecuencia relativa (a
posteriori), (2) el modelo subjetivo y (3) el modelo clásico (o a priori).

El modelo de frecuencia relativa utiliza datos que se han observado empíricamente,

registra la frecuencia con que ha ocurrido algún evento en el pasado y estima la
probabilidad de que el evento ocurra nuevamente con base en estos datos históricos. La
probabilidad de un evento con base en el modelo de frecuencia relativa se determina
mediante

𝐹𝑟𝑒𝑐𝑢𝑒𝑛𝑐𝑖𝑎 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒𝑐𝑒𝑠 𝑞𝑢𝑒 ℎ𝑎 𝑜𝑐𝑢𝑟𝑟𝑖𝑑𝑜 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑒𝑛 𝑒𝑙 𝑝𝑎𝑠𝑎𝑑𝑜

𝑃(𝐸 ) =
𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑎 𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑜𝑏𝑠𝑒𝑟𝑣𝑎𝑐𝑖𝑜𝑛𝑒𝑠

Ecua. 13.1

Por ejemplo, asumiendo que durante el año anterior hubo 50 nacimientos en un hospital
local, de los cuales 32 de los recién nacidos eran niñas. El modelo de frecuencia relativa
revela que la probabilidad de que el siguiente nacimiento (o un nacimiento seleccionado
aleatoriamente) sea una niña es
 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑛𝑖ñ𝑎𝑠 𝑞𝑢𝑒 𝑛𝑎𝑐𝑖ó 𝑒𝑙 𝑎ñ𝑜 𝑎𝑛𝑡𝑒𝑟𝑖𝑜𝑟 32
𝑃 (𝑛𝑖ñ𝑎) = =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑛𝑎𝑐𝑖𝑚𝑖𝑒𝑛𝑡𝑜𝑠 50

Otro ejemplo. Un importador de cristal irlandés de Nueva York recibe envíos de cajas de
tres artículos. Los datos para las últimas 100 cajas indicaron el número de artículos
dañados que había en cada caja. Por ejemplo, mostraba que en 40 de las cajas ningún
artículo se había dañado mientras que en 12 de las cajas todos los tres artículos se
habían roto.

Resultado (E.)
(número de Número de
defectos) cajas P(E1)

0 40 40/100 = 0.40

1 27 27/100 = 0.27 Tabla 13.1

2 21 21/100 = 0.21

3 12 12/100 = 0.12

100 1.00

En el pasado, 21 de las 100 cajas totales contenían exactamente dos artículos dañados.
Entonces el modelo de frecuencia relativa asignaría una probabilidad de que dos artículos
en cualquier caja dada estuvieran dañados así P (2) - 21 /100 = 0.21. La probabilidad para
cada resultado individual se muestra en la última columna, la cual suma 1.

Un problema común con el modelo de frecuencia relativa resulta cuando se hacen

estimaciones con un número insuficiente de observaciones. Por ejemplo, se asume que
en los dos vuelos de una aerolínea en los que se hicieron registros el año pasado
estuvieron retrasados al llegar a sus destinos. Por tanto, se concluye que el vuelo que se
abordará el próximo mes de la misma aerolínea, también estará retrasado. Aunque tales
inferencias son comunes, no existen suficientes datos como para sacar tal conclusión y se
deben evitar las decisiones basadas en tales inferencias.
En muchos casos los datos pasados no se encuentran disponibles. Por tanto, no es
posible calcular la probabilidad a partir del desempeño anterior. La única alternativa es
estimar la probabilidad con base en nuestro mejor criterio. El modelo subjetivo requiere
establecer la probabilidad de algún evento con base en la mejor evidencia disponible. En
muchos casos esto puede ser apenas una conjetura hecha sobre cierta base. El modelo
subjetivo se utiliza cuando se desea asignar probabilidad a un evento que nunca ha
ocurrido. La probabilidad de que una mujer sea elegida como presidente de los Estados
Unidos es un ejemplo. Debido a que no hay datos sobre los cuales confiar, se deben
analizar las opiniones y creencias para obtener una estimación subjetiva.

De los tres métodos para medir la probabilidad, el modelo clásico es el que se relaciona
con mayor frecuencia con las apuestas y juegos de azar. La probabilidad clásica de un
evento E se determina mediante:

𝑁° 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎𝑠 𝑒𝑛 𝑙𝑎𝑠 𝑞𝑢𝑒 𝑝𝑢𝑒𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑖𝑟 𝑢𝑛 𝑒𝑣𝑒𝑛𝑡𝑜

𝑀𝑜𝑑𝑒𝑙𝑜 𝐶𝑙á𝑠𝑖𝑐𝑜 𝑃(𝐸 )
𝑁° 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠
Ecua. 13.2

Aun sin conocer a fondo la probabilidad clásica, se puede estar consciente de que la
probabilidad de obtener una cara en un solo lanzamiento de una moneda es de la mitad.
Esto puede ilustrarse utilizando la fórmula (13.2) así:

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎𝑠 𝑒𝑛 𝑙𝑎𝑠 𝑞𝑢𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑝𝑢𝑒𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑖𝑟 1

𝑃 (𝑐𝑎𝑟𝑎 ) = =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 2

Existe sólo una forma en que puede ocurrir el evento (se obtiene una cara), y existen dos
posibles resultados (una cara y un sello). De igual forma, la probabilidad de sacar un 3
con un dado de seis caras es:

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎𝑠 𝑒𝑛 𝑙𝑎𝑠 𝑞𝑢𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑝𝑢𝑒𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑖𝑟 1

𝑃 (3) = =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 6
Existe sólo una forma en que puede ocurrir el evento (se saca un 3), y seis posibles
resultados.

La probabilidad clásica implica la determinación de la probabilidad de algún evento a priori

(antes del hecho). Por tanto, antes de sacar una carta de una baraja de 52 cartas, se
puede determinar que la probabilidad de sacar un as es:

𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑜𝑟𝑚𝑎𝑠 𝑒𝑛 𝑙𝑎𝑠 𝑞𝑢𝑒 𝑒𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝑝𝑢𝑒𝑑𝑒 𝑜𝑐𝑢𝑟𝑟𝑖𝑟 1

𝑃 (𝑎𝑠) = =
𝑁ú𝑚𝑒𝑟𝑜 𝑡𝑜𝑡𝑎𝑙 𝑑𝑒 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠 𝑟𝑒𝑠𝑢𝑙𝑡𝑎𝑑𝑜𝑠 52

Ejercicios

1. ¿Cuál modelo de probabilidad es apropiado para cada uno de los experimentos

enumerados a continuación?
Explique el porqué de su respuesta.

a. El índice Dow Jones del precio de las acciones hoy cerrará alto.

b. Una unidad de producción será defectuosa.

c. Sacar un 6 con un dado.

d. El sol será nova.

2. Cite tres ejemplos de negocios para cada uno de los tres modelos de probabilidad.
3. La siguiente tabla muestra el número de computadores vendidos diariamente por una
tienda minorista.

Número de computadores vendidos Número de días

0 12
1 43
2 18
3 20
4 25

Determine la probabilidad de que el número de computadores que se vendan hoy sea:

 a. 2

b. Menos de 3

c. Más de 1

d. Por lo menos 1

4. Durante los últimos cuatro campeonatos de fútbol norteamericano, el lanzamiento de

la moneda cayó cara todas las veces. Su entrenador le dice que pedir sello esta vez
aumentará la probabilidad de que usted gane el lanzamiento. ¿Está en lo cierto o está
equivocado? Explique su respuesta completamente.
5. ¿Cuál modelo de probabilidad utilizó en el problema anterior? Explique.
6. Durante el año anterior, las ventas semanales en Petunia's Pet Shoppe han sido
"bajas" durante 16 semanas, "considerables" durante 27 semanas y "altas" el resto de
las semanas. Cuál es la probabilidad de que las ventas de esta semana sean:
a. Considerables

b. Bajas

c. Altas

d. Por lo menos considerables

Terminología básica en probabilidad

En general, la probabilidad es la posibilidad de que algo pase. Las probabilidades se

expresan como fracciones (1/6, 1/2, 8/9) o como decimales (0.167,0.500, 0.889) que
están entre cero y uno. Tener una probabilidad de cero significa que algo nunca va a
suceder; una probabilidad de uno indica que algo va a suceder siempre.

En la teoría de la probabilidad, un evento es uno o más de los posibles resultados de

hacer algo. Al lanzar una moneda al aire, si cae cruz es un evento, y si cae cara es otro.
De manera análoga, si sacamos una carta de un mazo de naipes, el tomar el as de
espadas es un evento. Un ejemplo de evento que, quizá, esté más cercano a su quehacer
diario es ser elegido de entre cien estudiantes para que responda a una pregunta. Cuando
escuchamos las poco gratas predicciones del índice de mortalidad en accidentes de
tránsito, esperamos no ser uno de tales eventos.

En la teoría de probabilidad, la actividad que origina uno de dichos eventos se conoce

como experimento. Utilizando un lenguaje formal, podríamos hacer la siguiente pregunta:
en un experimento de lanzar una moneda, ¿cuál es la probabilidad del evento cara? Y,
desde luego, si la moneda no está cargada y tiene la misma probabilidad de caer en
cualquiera de sus dos lados (sin posibilidades de que caiga parada), podríamos
responder, "1/2" o "0.5". Al conjunto de todos los resultados posibles de un experimento
se le llama espacio muestra! del experimento. En el de lanzar una moneda, el espacio
muestral es

5 = {cara, cruz}

En el experimento de sacar una carta, el espacio muestral tiene 52 elementos: as de

corazones, dos de corazones, etcétera.

A la mayoría de las personas les emocionan menos el lanzamiento de monedas o las

cartas que las preguntas como, ¿cuáles son las posibilidades de poder tomar ese avión a
tiempo?, o ¿cuáles son mis posibilidades de conseguir una segunda entrevista de
trabajo? En resumen, estamos preocupados por la probabilidad de que ciertos eventos
sucedan.

Se dice que los eventos son mutuamente excluyentes si uno y sólo uno de ellos puede
tener lugar a un tiempo. Considere de nuevo el ejemplo de la moneda. Tenemos dos
resultados posibles, cara y cruz. En cualquier lanzamiento obtendremos una cara o una
cruz, nunca ambas. En consecuencia, se dice que los eventos cara y cruz en un solo
lanzamiento son mutuamente excluyentes. De manera parecida, usted puede pasar o
reprobar una materia o, antes de que termine el curso, desertar y no obtener calificación.
Solamente uno de esos tres resultados es posible, por tanto, se dice que son eventos
mutuamente excluyentes. La pregunta fundamental que se debe formular al decidir si
ciertos eventos son mutuamente excluyentes es: ¿pueden ocurrir dos o más de tales
eventos al mismo tiempo? Si la respuesta es afirmativa, los eventos no son mutuamente
excluyentes.

Cuando una lista incluye todos los eventos que pueden resultar de un experimento, se
dice que la lista es colectivamente exhaustiva. En el ejemplo de la moneda, la lista —cara
y cruz—, es colectivamente exhaustiva (a menos, por supuesto, que la moneda caiga
parada cuando la lancemos). En una campaña presidencial, la lista de resultados
"candidato demócrata y candidato republicano" no es una lista colectivamente exhaustiva,
pues puede haber un candidato independiente o de algún otro partido que esté
participando en las elecciones.

Ejercicios

Ejercicios de autoevaluación

13.1 Proporcione una lista colectivamente exhaustiva de los resultados posibles al

lanzar dos dados.

13.2 Dé la probabilidad de cada uno de los siguientes totales al lanzar dos dados: 1, 2,
5,6, 7,10 y 11.

13.3 ¿Cuáles de los siguientes son parejas de eventos mutuamente excluyentes al

sacar una carta de un mazo de 52 barajas?

a) Un corazón y una reina. .

b) Una espada y una carta roja.
c) Un número par y una espada.
d) Un as y un número impar.
13.4 ¿Cuáles de los siguientes son resultados mutuamente excluyentes al lanzar
dos dados?
 a) Un total de cinco puntos y un cinco en un dado.
b) Un total de siete puntos y un número par de puntos en ambos dados.
c) Un total de ocho puntos y un número impar de puntos en ambos dados.
d) Un total de nueve puntos y un dos en uno de los dados.
e) Un total de diez puntos y un cuatro en un dado.
13.5 Un bateador deja pasar todos los lanzamientos que ve. Proporcione el
espacio muestral de resultados para los siguientes experimentos en
términos de bolas y strikes:

a) Dos lanzamientos.
b) Tres lanzamientos.

13.6 Considere una pila de nueve cartas todas de espadas, numeradas del 2 al 10,
y un dado. Proporcione una lista colectivamente exhaustiva de los resultados
posibles al lanzar el dado y destapar una carta. ¿Cuántos elementos hay en
el espacio muestral?

13.7 Considere la pila de cartas y el dado del ejercicio 13.3 Proporcione la

probabilidad de cada uno de los siguientes totales al sumar los valores del
dado y de la carta:

2 3 8 9 12 14 16

13.8 En una reciente asamblea de los miembros de un sindicato que apoyan a

Joe Royal como su presidente, el líder de los seguidores de Royal afirmó:
"Tenemos buenas posibilidades de que Royal derrote al único oponente en
la elección."

a) ¿Cuáles son los "eventos" que podrían resultar de la elección?

b) ¿La lista que hizo es colectivamente exhaustiva? ¿Son los eventos de
la lista mutuamente excluyentes?
c) Sin tomar en consideración el comentario de sus seguidores y sin tener
ninguna información adicional, ¿qué probabilidad asignaría usted a
cada evento?
13.9 La compañía telefónica Southern Bell está planeando la distribución de
fondos para una campaña con el fin de aumentar las llamadas de larga
distancia en Carolina del Norte. La siguiente tabla es una lista de los
mercados que la compañía considera valiosos para enfocar su promoción:

Costo de campaña
especial dirigida a
Porción de mercado cada grupo
Minorías $350,000
Empresarios $550,000
Mujeres $250,000
Profesionistas y trabajadores de oficina $250,000
Obreros $250,000

Hay una cantidad de hasta $800,000 disponible para estas campañas.

a) ¿Las porciones de mercado que se enumeran en la tabla son

colectivamente exhaustivas? ¿Son mutuamente excluyentes?
b) Haga una lista colectivamente exhaustiva y mutuamente excluyente de
los eventos posibles de la decisión sobre gastos.
c) Suponga que la compañía ha decidido gastar los $800,000 en campañas
especiales.
¿Esta circunstancia cambia la respuesta que dio en el inciso b)? Si la
respuesta es afirmativa, ¿cuál es su nueva respuesta?
Reglas de probabilidad

La mayoría de los administradores que utiliza la probabilidad se preocupan por dos

condiciones:

1. El caso en que un evento u otro se presente.

2. La situación en que dos o más eventos se presenten al mismo tiempo.

Demostramos interés en el primer caso cuando preguntamos: "¿Cuál es la probabilidad

de que la demanda de hoy exceda nuestro inventario?" Para ilustrar la segunda situación,
podríamos preguntar: "¿Cuál es la probabilidad de que la demanda de hoy exceda
nuestro inventario /que el 10% de nuestra fuerza de ventas no se presente a trabajar?" En
las secciones que siguen ilustraremos algunos métodos para determinar las respuestas a
las preguntas planteadas bajo una variedad de condiciones.

Algunos símbolos, definiciones y reglas de uso común

Símbolo para una probabilidad marginal En la teoría de probabilidad, utilizamos símbolos

para simplificar la presentación de ideas. Como lo vimos antes en este mismo capítulo, la
probabilidad de un evento A se podría expresar como:

Probabilidad de que el evento A suceda

Probabilidad de que el evento A suceda

P(A) = la probabilidad de que el evento A suceda

Una probabilidad sencilla quiere decir que sólo un evento puede llevarse a cabo. Se le
conoce como probabilidad marginal o incondicional. Para ilustrar un poco a lo que nos
referimos, supongamos que se hace una rifa entre 50 miembros de un grupo escolar de
un viaje gratis al Festival Nacional de Rock. La rifa consiste en sacar el boleto premiado
de un total de 50 boletos. Cualquiera de los estudiantes podría calcular su probabilidad de
ganar mediante la siguiente formulación:
 1
𝑃 (𝐺𝑎𝑛𝑎𝑟) =
50

= 0.02

En este caso, la posibilidad de que un estudiante gane es de 1 entre 50, debido a que
tenemos la certeza de que los eventos posibles son mutuamente excluyentes, es decir,
solamente un estudiante puede ganar.

Existe una buena forma de ilustrar, por medio de diagramas, este ejemplo y otros
conceptos de probabilidad. Usamos una representación gráfica conocida como diagrama
de Veringa honor al matemático inglés del siglo XIX, John Venn. En tales diagramas, el
espacio muestral completo se representa mediante un rectángulo y los eventos se
representan como partes de ese rectángulo. Si dos eventos son mutuamente excluyentes,
las partes correspondientes de éstos en el rectángulo no se traslaparán, como se muestra
en el diagrama (a) de la figura 13.1. Si dos eventos no son mutuamente excluyentes, sus
partes correspondientes en el rectángulo sí se traslapan, como se ilustra en el diagrama
(b) de la figura 13.1

Debido a que las probabilidades se comportan en mucho como si fueran áreas,

tomaremos el área del rectángulo como la unidad (porque la probabilidad de que algo
pase con toda certeza es 1). Entonces la probabilidad de que suceda un evento es su
área que le corresponde del rectángulo. En el diagrama (c) de la figura 13.1 se ilustra lo
que decimos para el caso del ejemplo del Festival Nacional de Rock. En ésta el
rectángulo está dividido en 50 partes iguales que no se traslapan.

Regla de la adición para eventos mutuamente excluyentes. A menudo, sin embargo,

estamos interesados en la probabilidad de que una cosa u otra sucedan. Si estos dos
eventos son mutuamente excluyentes, podemos expresar esta probabilidad haciendo uso
de la regla de adición para eventos mutuamente excluyentes. Esta regla se expresa
simbólicamente de la siguiente manera:

P(A o B) = la probabilidad de que suceda A o B

Y se calcula de la siguiente manera:

Probabilidad

P(A o B) = P(A) + P(B) Ecua. 13.3

Esta regla de adición se ilustra en el diagrama de Venn de la figura 13.2, en la que

notamos que el área junta de los dos círculos (que representa el evento A o B) es la suma
del área del círculo que representa a A y la del círculo que representa a B.

Usemos esta fórmula con un ejemplo. Cinco estudiantes por igual capaces esperan la
fecha en que se les hará una entrevista para trabajar en el verano. La compañía
solicitante ha anunciado que contratará a sólo uno de los cinco, mediante una elección
aleatoria. El grupo está formado por los estudiantes siguientes: Bill, Helen, John, Sally y
Walter. Si nuestra pregunta es, ¿cuál es la probabilidad de que John sea elegido?,
podemos utilizar la ecuación 13.2 y obtener la respuesta.

1
𝑃 (𝐽𝑜ℎ𝑛) =
5

= 0.2

FIGURA 13.1
 FIGURA 13.2

Diagrama de Venn para la

regla de adición de
eventos mutuamente
excluyentes

Sin embargo, si preguntamos, ¿cuál es la probabilidad de que John o Sally sean

elegidos?, deberíamos utilizar la ecuación 13.3:

P (John o Sally) = P (John) + P (Sally)

1 1
= +
5 5

2
=
5

= 0.4

Calculemos una vez más la probabilidad de que sucedan dos o más eventos. La tabla
13.2 contiene los datos sobre el tamaño de las familias de un cierto pueblo. Estamos
interesados en la pregunta, ¿cuál es la probabilidad de que una familia de este pueblo,
escogida al azar, tenga cuatro o más hijos (es decir cuatro, cinco, seis o más hijos?
Haciendo uso de la ecuación 13.3, podemos calcular la respuesta a nuestra pregunta;

P (4, 5, 6 o más) = P (4) + P (5) + P (6 o más)

= 0.15 + 0.10 + 0.05

= 0.30

Existe un caso especial importante de la ecuación 13.3. Para cualquier evento A, tenemos
que éste sucede o no sucede. De modo que los eventos A y no A son mutuamente
excluyentes y exhaustivos. Aplicando la ecuación 13.3 obtenemos el resultado

P(A) + P (no A) = 1
o de manera equivalente:

P(A) = 1 – P (no A)

Por ejemplo, refiriéndonos de nuevo a la tabla 13.2, la probabilidad de que una familia
tenga cinco o menos hijos se puede calcular con mayor más facilidad si restamos a 1 la
probabilidad de que en la familia haya seis O más hijos, con lo cual tenemos que esta
probabilidad es de 0.95.

Regla de adición para eventos que no son mutuamente excluyentes Si dos eventos no
son mutuamente excluyentes, es posible que ambos se presenten al mismo tiempo. En
tales casos, debemos modificar la regla de adición. Por ejemplo, ¿cuál es la probabilidad
de sacar un as aun corazón de un mazo de barajas? Obviamente, los eventos as y
corazón pueden presentarse juntos, pues podríamos sacar una as de corazones. En
consecuencia, as y corazón no son eventos mutuamente excluyentes. Debemos ajustar la
ecuación 13.3 para evitar el conteo doble, es decir, tenemos que reducir la probabilidad
de obtener un as o un corazón por la posibilidad de obtener ambos eventos juntos.

Tabla 13.2

Datos del Número de hijos 0 1 2 3 4 5 6 o más

tamaño de Proporción de familias
0.05 0.10 0.30 0.25 0.15 0.10 0.05
familia que tienen esta cantidad
de hijos

Como resultado de lo anterior, la ecuación correcta para la probabilidad de uno o más

eventos que no son mutuamente excluyentes es:

Regla de adición para eventos que no son mutuamente excluyentes

Probabilidad de que A suceda Probabilidad de que A y B sucedan juntas

P(A o B) = P(A) + P(B) – P(AB) Ecua. 13.4

Probabilidad de que se presenten A o B

cuando A y B no son mutuamente excluyentes Probabilidad de que B suceda
La figura 13.3 muestra un diagrama de Venn que ilustra a la ecuación 13.4. En ella, el
evento A o B está resaltado con una línea más gruesa, y el evento A y B es la porción
cuadriculada que se encuentra en el medio. Si sumamos las áreas de los círculos A y B,
contaremos doble el área de la intersección, de manera que debemos restarla para
asegurarnos de que solamente se cuente una vez.

Usando la ecuación 13.4 para determinar la probabilidad de obtener un as o un corazón,

podemos calcular:

P(as o corazón) = P(as) + P (corazón) — P(as y corazón)

4 13 1
= + −
52 2 52

16 4
= 𝑜
52 13

Trabajemos un segundo ejemplo. Los empleados de una cierta compañía han elegido a
cinco de ellos para que los representen en el consejo administrativo y de personal sobre
productividad. Los perfiles de los cinco elegidos son:

1. hombre edad 30
2. hombre 32
3. mujer 45
4. mujer 20

FIGURA 13.3

Diagrama de Venn de la regla de

adición parra dos eventos no
mutuamente excluyentes.
Este grupo decide elegir un vocero, la elección se efectúa sacando de un sombrero uno
de los nombres impresos. Nuestra pregunta es, ¿cuál es la probabilidad de que el vocero
sea mujer o cuya edad esté por arriba de 35 años? Utilizando la ecuación 13.4, podemos
establecer la respuesta a nuestra pregunta como:

P(mujer o mayor de 35) = P(mujer) + P(mayor de 35) - P(mujer y mayor de 35)

2 2 1
= + −
5 5 5

3
=
5

Podemos verificar nuestro trabajo mediante inspección y ver que de los cinco empleados
del grupo, tres cumplirían con el requisito de ser mujer o de tener más de 35 años.
Probabilidades bajo condiciones de dependencia estadística

La dependencia estadística existe cuando la probabilidad de que se presente algún

evento depende o se ve afectada por la presentación de algún otro. Exactamente igual
que con los eventos dependientes, los tipos de probabilidad bajo condiciones de
dependencia estadística son:

1. Condicional.

2. Conjunta.

3. Marginal.

Probabilidad condicional bajo dependencia estadística

Las probabilidades condicional y conjunta bajo condiciones de dependencia estadística

son más complicadas que la probabilidad marginal en estas mismas circunstancias.
Analizaremos primero las probabilidades condicionales, debido a que el concepto de
probabilidad conjunta se ilustra mejor si utilizamos la probabilidad condicional como base.

Suponga que tenemos una caja que contiene 10 bolas distribuidas de la siguiente
manera:

• Tres son de color y tienen puntos

• Una es de color y tiene franjas

• Dos son grises y tienen puntos

• Cuatro son grises y tienen franjas

La probabilidad de sacar cualquiera de las bolas es de 0.1, ya que existen 10 bolas con
igual probabilidad de ser elegidas. El análisis de los ejemplos siguientes se hará más
sencillo si nos remitimos a la tabla 13.3 y a la figura 13.4, en las que se muestra el
contenido de la caja en forma de diagrama.

Ejemplo 1. Suponga que una persona saca de la caja una bola de color, ¿cuál es la
probabilidad de que ésta tenga puntos? ¿Cuál es la probabilidad de que tenga franjas?

Solución: Esta pregunta puede expresarse simbólicamente como P(D│Q) o ¿cuál es la

probabilidad condicional de que la bola tenga puntos (D), dado que es de color (C)?
Se nos ha dicho que la bola que se sacó es de color. Por tanto, para calcular la
probabilidad de que tenga puntos, ignoraremos a todas las bolas grises y nos
concentraremos exclusivamente en las de color. Sólo tomaremos en cuenta lo que se
muestra, en forma de diagrama, en la figura 13.5.

Evento Probabilidad del evento

1 0.1

2 0.1 de color y con puntos

3 0.1
Tabla 13.3
4 0.1 de color y con franjas
Color y
configuración de 10 5 0.1
bolas
6 0.1 grises y con puntos

7 0.1

8 0.1

9 0.1 grises y con franjas

10 0.1

Figura 13.4 Figura 13.5

A partir del planteamiento del problema, sabemos que hay cuatro bolas de color, tres de
las cuales tienen puntos y la que queda tiene franjas. Ahora, nuestro problema consiste
en encontrar las probabilidades sencillas de que la bola tenga puntos y de que tenga
franjas. Para hacerlo dividimos el número de bolas de cada categorías entre el número
total de bolas de color.

3
𝑃 (𝐷|𝐶 ) = = 0.75
4

1
𝑃 (𝑆|𝐶 ) = = 0.25
4

𝟏. 𝟎𝟎

En otras palabras, tres cuartos de las bolas de color tienen puntos y un cuarto tienen
franjas. Así pues, la probabilidad de sacar una bola con puntos, dado que ésta es de
color, es de 0.75. De forma parecida, la probabilidad de obtener una bola con franjas,
dado que ésta es de color, es de 0.25.

Ahora podemos ver cómo nuestro razonamiento nos permitirá desarrollar una fórmula
para calcular la probabilidad condicional bajo dependencia estadística. Primero, podemos
asegurarnos a nosotros mismos que tales eventos son estadísticamente dependientes si
observamos que el color de las bolas determina la probabilidad de que éstas tengan
puntos o franjas. Por ejemplo, es más probable que una bola gris tenga franjas que una
bola de color. Como el color afecta la probabilidad de que la bola tenga puntos o f ranjas,
estos eventos son dependientes.

Para calcular la probabilidad de obtener una bola con puntos dado que es de color,
P(D│C), dividimos la probabilidad de que la bola sea de color y tenga puntos (tres de 10,
es decir 0.3) entre la probabilidad de que la bola sea de color (cuatro de 10, es decir, 0.4):

𝑃(𝐷𝐶)
𝑃 (𝐷|𝐶 ) =
𝑃(𝐶)

Expresada como una fórmula general y utilizando las letras A y B para representar los dos
eventos, la ecuación queda:
Probabilidad condicional para eventos dependientes estadísticamente

𝑃(𝐵𝐴)
𝑃(𝐵|𝐴) = [13.5]
𝑃(𝐴)

Esta es la fórmula para la probabilidad condicional bajo dependencia estadística.

Ejemplo 2. Continuando con nuestro ejemplo de las bolas de color y grises, respondamos
a las preguntas, ¿cuál es la probabilidad de P(D│Q) y P(S|G)?

Solución

𝑃(𝐷𝐺 ) 0.2 1
𝑃 (𝐷|𝐺 ) = = =
𝑃(𝐺 ) 0.6 3

𝑃(𝑆𝐺) 0.4 2
𝑃(𝑆 |𝐺 ) = = =
𝑃(𝐺) 0.6 3

𝟏. 𝟎

El problema se muestra en forma de diagrama en la figura 13.6.

La probabilidad total de que la bola sea gris es de 0.6 (seis de 10 bolas). Para determinar
la probabilidad de que la bola (que sabemos es gris) tenga puntos, dividimos la
probabilidad de que sea gris y tenga puntos (0.2) entre la probabilidad de que sea gris
(0.6), o 0.2/0.6 = 1/3. De manera parecida, para determinar la probabilidad de que la bola
tenga franjas, dividimos la probabilidad de que sea gris y tenga franjas (0.4) entre la
probabilidad de que sea gris (0.6), es decir, 0.4/0.6 = 2/3.

Ejemplo 3 Calcule P(G|D) y P(C|D).

Solución En la figura 13.7 se muestra el contenido de la caja clasificado de acuerdo con

las marcas de las bolas: puntos o franjas. Debido a que sabemos que la bola que se sacó
tiene puntos, podemos ignorar las bolas con franjas y solamente considerar las que tienen
puntos.

Considere ahora la figura 13.8, en la que se muestra la probabilidad de obtener una bola
de color y la de obtener una gris, dado que la bola tiene puntos. Note que las
proporciones relativas de las dos probabilidades son 0.4 y 0.6. Los cálculos que se
hicieron para llegar a estas cifras fueron:

𝑃(𝐺𝐷) 0.2
𝑃 (𝐺 |𝐷) = = = 0.4
𝑃 (𝐷) 0.5

𝑃(𝐶𝐷) 0.3
𝑃(𝐶 |𝐷) = = = 0.6
𝑃(𝐷) 0.5

𝟏. 𝟎

FIGURA 13.8

Probabilidad de obtener una bola

de color y de obtener una bola
FIGURA 13.6 gris, dado que ésta tiene puntos

Probabilidad de
obtener una bola con
puntos o una con
franjas dado que la
que se sacó es gris.

FIGURA 13.7

Contenido de la caja
clasificada por
configuración: con
puntos y con franjas.
Ejemplo 4 Calcule P(C | 5) y P(G | 5)

Solución

𝑃(𝐶𝑆) 0.1
𝑃(𝐶 |𝑆) = = = 0.2
𝑃 (𝑆) 0.5

𝑃(𝐺𝑆) 0.4
𝑃(𝐶 |𝐷) = = = 0.8
𝑃(𝑆) 0.5

𝟏. 𝟎

Probabilidades conjuntas bajo condiciones de dependencia estadística

Hemos mostrado que la fórmula para calcular la probabilidad condicional bajo

dependencia estadística es

𝑃 (𝐵𝐴)
𝑃(𝐵 |𝐴) =
𝑃 (𝐴)

Si de esta ecuación despejamos P(BA) mediante una multiplicación, obtendremos la

fórmula para la probabilidad conjunta bajo condiciones de dependencia estadística:

Probabilidad conjunta para eventos dependientes estadísticamente

Probabilidad conjunta de que los Probabilidad de que suceda el evento B dado

eventos B y A se presenten al mismo que ya se presentó el evento A
tiempo o en sucesión
P(BA) = P(B│A) X P(A)*

Probabilidad de que se presente el evento A

Observe que esta fórmula no es P(BA) = P{AB) X P(A), como sería el caso si
estuviéramos en condiciones de independencia estadística.

Aplicando la fórmula general P(BA) = P(B│A) X P(A) a nuestro ejemplo y en términos de

bolas de color (C), grises (G), con puntos (D) y con franjas (S), tendremos P(CD) =
P(C│D) x P(D) o P(CD) = 0.6 X 0.5 = 0.3. Aquí, 0.6 es la probabilidad de obtener una bola
de color, dado que ésta tiene puntos (calculada en el ejemplo 3 anterior) y 0.5 es la
probabilidad de obtener una bola con puntos (también calculada en el ejemplo 3).

El resultado, P(CD) = 0.3, puede verificarse en la tabla 13.3, en la que llegamos a la

probabilidad por inspección: tres bolas de 10 son de color y con puntos.

Las probabilidades conjuntas siguientes están calculadas de la misma manera y se

pueden comprobar haciendo referencia a la tabla 13.3.

P(CS) = P(C│S) x P(S) = 0.2 x 0.5 = 0.1

P(GD) = P(G│D) x P(D) = 0.4 x 0.5 = 0.2

P(GS) = P(G│S) x P(S) = 0.8 x 0.5 = 0.4

*Para encontrar la probabilidad conjunta de los eventos A y B, se puede utilizar la fórmula

P(BA) = P(AB) = p(A|B) x P(B),. Esto es cierto porque BA = AB.

Probabilidades marginales bajo condiciones de dependencia estadística

Las probabilidades marginales en condiciones de dependencia estadística se calculan

mediante la suma de las probabilidades de todos los eventos conjuntos en los que se
presenta el evento sencillo. En el ejemplo anterior, podemos calcular la probabilidad
marginal del evento bola de color mediante la suma de la probabilidad de los dos eventos
conjuntos en los que aparece una bola de color:

P(C) = P(CD) + P(CS) = 0.3 + 0.1 = 0.4

De manera parecida, la probabilidad marginal del evento bola gris se puede calcular
sumando la probabilidad de los dos eventos conjuntos en los que se presenta una bola
gris:

P(G) = P(GD) + P(CS) = 0.2 + 0.4 = 0.6

Igualmente, podemos calcular la probabilidad marginal del evento bola con puntos
mediante la suma de la probabilidad de los dos eventos conjuntos en los que se tiene una
bola con puntos:

P(D) = P(CD) + P(GD) = 0.3 + 0.2 = 0.5

Y, por último, la probabilidad marginal del evento bola con franjas se puede calcular
mediante la suma de la probabilidad de los dos eventos conjuntos en los que se presenta
una bola con franjas:

P(S) = P(GS) + P(GS) = 0.01 + 0.04 = 0.5

Estas cuatro probabilidades marginales, P(C) = 0.4, P(G) = 0.6, P(D) = 0.5 y P(S) = 0.5,
se pueden verificar mediante una inspección de la tabla 13.3.

Ahora ya hemos analizado los tres tipos de probabilidad (condicional, conjunta y marginal)
que se tienen en condiciones de dependencia estadística. En la tabla 13.4 se presenta un
resumen de las fórmulas desarrolladas para las probabilidades bajo ambas condiciones
de independencia estadística y de dependencia estadística.

Sugerencia: distinga entre probabilidad condicional y probabilidad conjunta mediante el

uso cuidadoso de los términos dado que y ambos… y. P(A│B) es la “probabilidad de que
A ocurra dado que ocurrió B” y P(AB) es la “probabilidad de que ambos, A y B ocurran”.
La probabilidad marginal P(A) es la “probabilidad de que ocurra A, suceda B o no”.

Tabla 13.4 Fórmula bajo

Fórmula bajo
Tipo de independen
dependencia
probabilid cia
Probabilidades
ad Símbolo estadística estadística
bajo condiciones
de independencia Marginal P(A) P(A) Suma de la probabilidad de los
y dependencia eventos conjuntos en los que A
estadística ocurre
Conjunta P(AB) P(A)xP(B)
P(A|B)xP(B)
o P(BA) P(B)xP(A)
P(B\A)xP(A)

𝑃(𝐵𝐴)
𝑃(𝐴)
Condicional P(B│A) P(B)

𝑃(𝐴𝐵)
𝑃(𝐵)
o P(A│B) P(A)
Ejercicios

1) De acuerdo con una encuesta, la probabilidad de que una familia posea dos
automóviles si su ingreso anual es mayor que $35,000 es 0.75. De los
hogares encuestados, 60% tenía ingresos mayores que $35,000 y 52% tenía
dos autos. ¿Cuál es la probabilidad de que una familia tenga dos autos y un
ingreso mayor que $35,000 al año?

2) La tienda de departamentos Friendly ha sido objeto de muchos robos durante

el último mes; pero, debido al aumento en las medidas de seguridad, se ha
detenido a 250 ladrones. Se registró el sexo de cada ladrón; también se anotó
si se trataba de un primer delito o era reincidente. Los datos se resumen en la
siguiente tabla.

Sexo Primera ofensa Reincidente

Hombre 60 70
Mujer 44 76
104 146

Suponga que se elige al azar un ladrón detenido, calcule

a) la probabilidad de que el ladrón sea hombre.

b) la probabilidad de que sea la primera ofensa, dado que es hombre.
c) la probabilidad de que sea mujer, dado que es reincidente.
d) la probabilidad de que sea mujer, dado que es la primera ofensa.
e) la probabilidad de que sea hombre y reincidente.

3) Dos eventos son estadísticamente dependientes. Si P(A) = 0.39, P(B) = 0.21 y

P(A o B) = 0.47, encuentre la probabilidad de que

a) no ocurra ni A ni B.

b) ocurran tanto A como B.

c) ocurra B dado que A ocurrió.

 d) ocurra A dado que B ocurrió.

4) Dado que P(A) - 3/4, P(B) = 1/6, P(C) = 1/3, P(AC) = 1/7 y P(B|C) = 5/21,
encuentre las siguientes probabilidades: P(A|C), P(C|A), P(BC) y P(C|B).

5) Suponga que para dos eventos A y B, P(A) = 0.65, P(B) = 0.80, P(A|B) = P(A)
y P(B|A) = 0.85. ¿Es ésta una asignación de probabilidades consistente?
Explique.

6) En un comedor de beneficencia, una trabajadora social reúne los datos

siguientes. De las personas que acu den al comedor, 59% son hombres, 32%
son alcohólicos y 21% son hombres alcohólicos. ¿Cuál es la probabilidad de
que un asistente hombre que vaya al comedor, tomado al azar, sea
alcohólico?

7) Durante un estudio sobre accidentes automovilísticos, el Consejo de

Seguridad Carretera encontró que 60% de los accidentes suceden de noche,
52% están relacionados con conductores alcoholizados y 37% se presentan
de noche y están relacionados con conductores ebrios.

a) ¿Cuál es la probabilidad de que un accidente esté relacionado con un

conductor alcoholizado, dado que sucedió de noche?
b) ¿Cuál es la probabilidad de que un accidente haya sucedido de noche,
dado que está relacionado con un conductor ebrio?
8) Si un huracán se forma en la parte oriental del Golfo de México, hay 76% de
posibilidades de que éste golpee la costa occidental de Florida. A partir de los
datos recabados en los 50 años pasados, se ha determinado que la
probabilidad de que se forme un huracán en la parte oriental del golfo en
cualquier año dado es de 0.85.

a) ¿Cuál es la probabilidad de que un huracán se forme en la parte oriental

del Golfo de México y llegue a la costa occidental de Florida este año?
b) Si a un huracán formado en la parte oriental del Golfo de México sé le
induce a producir lluvia mediante la irrigación de productos químicos desde
aeronaves, la probabilidad de que golpee la costa occidental de Florida se
reduce en un cuarto. Si se decide aplicar este tratamiento a todo huracán
 que se forme en la parte oriental del golfo, ¿cuál es el nuevo valor de la
probabilidad del inciso a)?
9) Al Cascade, presidente de la empresa Litre Corporation, está estudiando las
posibilidades de que su compañía obtenga un importante contrato para
instalar un sistema de purificación de agua para las autoridades del Valle de
Tennessee. De acuerdo con ello, dos eventos tienen interés para él. Primero,
el principal competidor de Litre, la WTR, está efectuando una investigación
sobre purificación de agua en la zona, la cual espera concluir antes del tiempo
límite para poder concursar por la concesión. Segundo, existen rumores de
que las autoridades del Valle de Tennessee van a realizar una auditoría a
todos sus contratistas, de los cuales Litre forma parte y WTR no. Si el
competidor principal de Litre termina a tiempo su investigación de campo y no
se hace la auditoría, entonces la probabilidad de que a Litre le sea otorgada la
concesión es de 0.67. Si se efectúa la auditoría pero WTR no termina a tiempo
la investigación, la probabilidad es de 0.72. Si ambos eventos se presentan, la
probabilidad es de 0.58, y si ninguno de los dos eventos sucede, entonces la
probabilidad es de 0.85. El que las autoridades hagan o no la auditoría y el
que la WTR termine su investigación son eventos independientes.

a) Suponga que Al, sabe que la probabilidad de que la WTR termine la

investigación a tiempo es de 0.80. ¿Cuál deberá ser el valor de la
probabilidad de que se haga una auditoría para que la probabilidad de Litre
de obtener el contrato sea de al menos 0.65?
b) Suponga que Al, sabe que la probabilidad de que se efectúe la auditoría es
de 0.70. ¿Qué valor deberá tener la probabilidad de que la WTR termine a
tiempo la investigación, de tal modo que la probabilidad de que Litre
obtenga la concesión sea de al menos 0.65?
c) Suponga que la probabilidad de que se efectúe la auditoría es de 0.75 y
que la probabilidad de que la WTR termine a tiempo su investigación es de
0.85. ¿Cuál es la probabilidad de que Litre obtenga la concesión?
10) Una compañía desea actualizar su sistema de computación y una parte
importante de la actualización es un nuevo sistema operativo. La compañía ha
pedido a un ingeniero que evalúe el sistema operativo. Suponga que la
probabilidad de una evaluación favorable es 0.65. Si la probabilidad de que la
compañía actualice su sistema dada una evaluación favorable es 0.85, ¿cuál
 es la probabilidad de que la compañía actualice su sistema y reciba una
evaluación favorable?

11) La biblioteca de la universidad ha entrevistado a afiliados elegidos al azar

durante el último mes para ver quiénes usan la biblioteca y qué servicios
requieren. Los afiliados se clasifican en licenciatura, posgrado y académicos.
Los servicios se clasifican como consulta, publicaciones periódicas o libros. La
tabla contiene los datos de 350 personas. Suponga que los afiliados usan sólo
un servicio por visita.

Afiliados Referencia Publ. periódicas Libros

Licenciatura 44 26 72

Posgrado 24 61 20

Académicos 16 69 18

84 156 110

Encuentre la probabilidad de que un afiliado seleccionado al azar

a) sea estudiante de licenciatura.

b) visite la sección de publicaciones periódicas, dado que es un estudiante de
posgrado,
c) sea de licenciatura y visite la sección de libros.
12) El gerente regional del sureste de General Express, un servicio privado de
mensajería, está preocupado por la posibilidad de una huelga por parte de
algunos empleados. Sabe que la probabilidad de una huelga de pilotos es
0.75 y la probabilidad de una huelga de choferes es 0.65. Más aún, sabe que
si los choferes hacen una huelga, existe una posibilidad de 90% de que los
pilotos apoyen la huelga.

a) ¿Cuál es la probabilidad de que ambos grupos se vayan a huelga?

b) Si los pilotos hacen huelga, ¿cuál es la probabilidad de que los choferes
apoyen la huelga?
REGLA DE MULTIPLICACIÓN

De la definición de probabilidad condicional, obtenemos una fórmula para hallar la

probabilidad de la intersección (o producto) de los evento A y B, esto es, de

P[A ∩ B]
𝑃[A | B] = . P[B] > 0
P[B]

P[A ∩ B]
𝑃[B | A] = . P[A] > 0
P[A]

Multiplicando ambos miembros de la expresión (1) por P[B] y por P[A] la expresión (2),
obtenemos las ecuaciones

P[A ∩ B] = P[8] P[A | B] = P[AB] y

P[A ∩ B] = P[A] P[B|A] = P[AB] ,

este resultado en teoría de probabilidad, se denomina REGLA DE MULTIPLICACIÓN o

probabilidad de la intersección, (también probabilidad conjunta); expresa la probabilidad
de que ocurra los eventos A y B es igual a la probabilidad de la ocurrencia de uno de
ellos multiplicado por la probabilidad condicional que ocurra el segundo, dado que el
primero ha ocurrido.

Ejemplo 5. Una urna contiene 5 bolas blancas y 6 negras; se extrae al azar

sucesivamente y sin reposición (con reposición) dos bolas, ¿cuál es la probabilidad que
las dos resultan blancas?

Solución (a) Sin reposición.

Primera forma. Sean los eventos:

A1: "La primera bola resultó blanca".

A2: "La segunda bola resultó blanca".

E : "Las dos bolas resultan blancas".

Es claro que la probabilidad pedida es la del evento

E = A1 ∩ A2 = A1A2

Es decir, E es la intersección de los dos eventos y la ocurrencia de A 1 influye en la de

A2. 0 sea

P[E] = P[A1A2] = P[A1] P[A2 | A1]

En la urna hay 11 bolas de los cuales 5 son blancas, entonces

 5
𝑃[𝐴1 ] =
11

Después de la ocurrencia del evento Alf queda 10 bolas de las cuales 4 son blancas,
luego

4
𝑃[𝐴2 |A1 ] =
10

Por lo tanto

5 4 2
𝑃[𝐸] = 𝑃[𝐴2 |A1 ] = 𝑥 =
11 10 11

Un esquema que ayuda a visualizar la solución de este problema es

Fig. 13.9

Segunda forma. El problema se puede enfocar de otra manera: Como existe 5 + 6 = 11

11
bolas, el número de formas de seleccionar dos de ellas, está dado por ( ) y cada una de
2
estas formas tienen igual probabilidad de ocurrir. El número de sucesos favorables al
evento E, la obtenemos de la siguiente manera: como existen 5 bolas blancas, podemos
5
elegir dos de ellas de ( ) formas diferentes, luego aplicando la definición clásica es,
2

(5) 5!
𝑃[𝐸] = 2 = 2! 3! = 2
(11) 11! 11
2 2! 9!

(b) Con reemplazo. En este caso también el evento E se escribe como la intersección de
los eventos A1 y A2. O sea E = A1A2. Y la ocurrencia de A1 no afecta a la ocurrencia de
A2. En efecto:
5
𝑃[𝐴1 ] =
11

Puesto que después de la ocurrencia de A1 se devuelve la bola a la urna, también:

5
𝑃[𝐴2 |A1 ] =
11

El esquema siguiente ayuda a visualizar la solución del problema.

Fig. 13.10
Ejemplo 6. En el ejemplo 13. ¿Cuál es la probabilidad de obtener una bola do cada color?

Solución (a) Sin restitución.

Primera forma. Sean los siguientes eventos:

A1: "La primera bola resultó blanca".

A2: "La segunda bola resultó blanca".

B1: "La primera bola resultó negra".

B2: "La segunda bola resultó negra".

E : "Obtener una bola de cada color".

En este caso la probabilidad pedida, es, la del evento E formado por la unión de los
eventos A1B2 y B1A2, es decir, E = A1B2 U B1A2 y como dichos eventos son mutuamente
excluyentes, tenemos

P[E] = P[A1B2] + P[B1A2]

= P[A1] P[B2|A1] + P[B1] P[A2 | B1] (1)

La ocurrencia del primer evento influye en la ocurrencia del segundo. Pues lo que en la
urna hay 11 bolas de las cuales 5 son blancas, se tiene

5
𝑃[𝐴1 ] =
11

Similarmente P[B1] = 6/11

Después de la ocurrencia de A 1, queda 10 bolsas de las cuales 6 son negras, entonces:

P[B2 | A1] = 6/10

Similarmente P[A2 | B1] = 5/10. Por lo tanto, reemplazando estos resultados en (1) se
obtiene:

5 6 6 5 6
𝑃[𝐸] = 𝑥 + 𝑥 =
11 10 11 10 11

Un diagrama que ayuda a visualizar estos problemas en el llamado “ARBOL DE

PROBABILIDAD PARA EXPERIMENTOS SUCESIVOS” y es como indica la figura 13.11

Fig. 13.11
Cada rama completa del diagrama del árbol, se llama una trayectoria y representa un
posible resultado del experimento. En cada segmento que une la secuencia de
experimentos se pone sus respectivas probabilidades.

11
Segunda forma. El número de formas de extraer dos bolas de 11 es ( )
2

Cada uno de estos son igualmente posibles.

5
Número de sucesos favorables al evento E: Existen ( ) formas de elegir una bola blanca
1
6
y ( ) formas de elegir una bola negra, entonces aplicando el principio de multiplicación,
1
5 6
el número de sucesos favorables a E está dado( ) ( ), y aplicando la definición clásica
1 1
es

6
(5) ( )
𝑃[𝐸] = 1 1 = 5𝑥6 = 5 𝑥 6 = 6
(11) 11! 11 𝑥 5 11
2 2! 9!

(b) Con restitución. Como en el caso anterior se pide calcular la probabilidad del evento E
= A1B2 U B1A2. Es evidente que
P[E] = P[A1B2] + P[B1A2]

= P[A1] P[B2|A1] + P[B1] P[A2 | B1]

5 6 6 5 60
= 11 𝑥 11 𝑥 11 𝑥 11 = 121

Ejemplo 7. En un sistema de alarma, la probabilidad que se produzca peligro es 0.10. Si

éste se produce la probabilidad que la alarma funcione es de 0.95. La probabilidad que
funcione la alarma sin haber ha' do peligro es 0.03. Determinar la probabilidad que haya
un peligro y 1 alarma no funcione.

Solución Definimos los siguientes eventos:

P : "hay peligro",
F : "la alarma funciona". Entonces, F: "la alarma no funciona".
Luego, debemos determinar la probabilidad del evento:
P𝐹 : "haya peligro y la alarma no funciona"
P[P𝐹] = P[P] p[𝐹 |P]

P[P] = 0.10. Si ocurre el evento P, P[F | P] = 0.95 pero

P[𝐹|P]= 1-P[F|P]= 1- 0.95 = 0.05. teorema 13.1

Por lo tanto, P[P𝐹] = (0.10) (0.05) = 0.005.

 Fig. 13.12 Árbol de probabilidades para el problema 7.

Teorema 13.1 Si A, B y C son eventos de Ω, tales que P[A] ≠ 0 y P[AB] ≠ 0, entonces

𝑃[𝐶 |𝐴 ∩ 𝐶] = 𝑃[𝐴] 𝑃[𝐶|𝐴 ∩ 𝐵]

Demostración. Consideremos dos eventos A  B y C; de la definición de probabilidad

condicional

𝑃[𝐶 ∩ 𝐴 ∩ 𝐵] 𝑃[𝐴 ∩ 𝐵]
𝑃[𝐶 |𝐴 ∩ 𝐵] = 𝑦 [𝑃[𝐵 |𝐴] =
𝑃[𝐴 ∩ 𝐵 𝑃[𝐴]

𝑃[A ∩ B] P[A ∩ B ∩ C]
𝑃[𝐴]𝑃[𝐵|𝐴]𝑃[𝐶 |𝐴 ∩ 𝐵] = 𝑃[𝐴] x
P[A] P[A ∩ B]

= 𝑃[𝐴 ∩ 𝐵 ∩ 𝐶]

El siguiente teorema es una generalización del teorema anterior.

Teorema 13.2 Si A1 , A2, ..., An son eventos de un espacio muestral finito y P[A 1 ∩ A2∩
…∩An] ≠ 0, entonces

P[A1 ∩ A2∩ …∩An] = P[A1] P[A2|A1] P[A3|A1∩A2]….

la demostración queda como ejercicio para el lector interesado.

Ejemplo 8. Dos establos A y B tienen 1,000 cabezas de vacuno cada uno. Existe una
epidemia que afecta a los cascos y la boca del ganado. La proporción de ganados
1 1
afectados con y respectivamente (por establo).
5 4

Se escoge un ganado al azar.

(a) ¿Cuál es la probabilidad que el ganado escogido viene del rancho y tiene afección a
los cascos y la boca?.
(b) Si el 70% de los ganados afectados tienen edad menor que un año, ¿cuál es la
probabilidad que el ganado escogido venga del rancho B, tiene| afección y es mayor
que un año de edad?
Solución. Definimos los siguientes eventos:

A: "el ganado escogido es del rancho A"

 B: "el ganado escogido es del rancho B"

E: "el ganado tiene afección al casco y la boca"

(a) Debemos calcular

1000 1 1
P[A∩E] = P[A] P[E|A] = 𝑥 =
2000 5 10

(b) Definimos el evento F: la vaca escogida tenga edad mayor que un año. Entonces,
P[B∩E∩E] = P[B] P[E|B] P[F|(B∩E)]
1000 1 75 1 1 3 3
= 2000 𝑥 4 𝑥 250 = 2 𝑥 4 𝑥 10 = 80

ya que en el rancho B hay 250 ganados afectados y de estos el 30% son mayores que un
año de edad.

Fig. 13.13 Árbol de probabilidad para el problema 8

Ejemplo 9. Un lote de 100 fusibles contiene 2 fusibles defectuosos. Si se prueban los

fusibles uno por uno, ¿cuál es la probabilidad que el último fusible defectuoso sea
detectado en la tercera prueba?

Solución. Definimos los siguientes eventos.

Dij: “el i-ésimo defectuoso se obtuvo en la extracción i = 1,2 ; j = 1,2,3”

Bij: “el i-ésimo bueno se obtuvo en la j-ésima extracción j = 1,2, ; j = 1,2,3”

E: “el último fusible defectuoso es detectado en la tercera prueba”

En el diagrama del árbol de probabilidades, podemos seguir sólo por las ramas que
cumplen las condiciones requeridas por el evento cuya probabilidad se quiere calcular (en
nuestro caso el evento E) y llegar solamente a los resultados favorables a dicho evento.
Para el problema en cuestión, siguiendo este proceso se obtiene el árbol de
probabilidades de la fig. 1.7.12. De donde el evento E se escribe

E = D11 B12 D23 U B11 D12 D23

Luego, P[E] = P[D11 B12 D23] + P[D11 B12 D23]

= P[D11] P[B12|D11] P[D23 | D11 B12] + P[B11]

P[D12|B11] P[D23|B11D12]
2 98 1 98 2 1
= 100 . 99 . 98 . + 100 . 99 . 98

Ejemplo 10. Un lote de 100 lámparas contiene 10 piezas defectuosas. Si se selecciona 3

lámparas aleatoriamente, ¿cuál es la probabilidad que sólo una sea defectuosa?

Primer método. Definimos Tos siguientes eventos:

D : "se selecciona una lámpara defectuosa".

N : "se selecciona una lámpara no defectuosa".

A : "sólo una sea defectuosa de las tres extraídas"

Siguiendo el mismo proceso del ejemplo anterior se obtiene el diagrama del árbol de
probabilidades de la fig. 1.7.13. De donde

A = NND U NQN U ONN

Eventos Favorables a A

Fig. 13.14
P[A] = P[NND] + P[NDN] + P[DNN]

90 89 10 90 10 89 10 90 89
= . . . . . + . .
100 99 98 100 99 98 100 99 98
89 89 89 267
= + + = = 0.2476
10𝑥98 11𝑥98 11𝑥98 1078

100
Segundo método. El número de elementos del espacio muestral es ( ). Como el
3
10 90
evento A contiene 1 defectuoso y 2 no defectuoso, entonces A tiene ( ) ( )
1 2
elementos. Luego, por la definición clásica es

(10) (90) 10𝑥 90!

𝑃[𝐴] = 1 2 = 88! 2! = 3𝑥89 = 267 = 0.2476
100 100! 11𝑥98 1078
( )
3 97! 3!

Ejemplo 11. Un grupo que consta de 5 hombres y 10 mujeres se divide al azar en cinco
grupos de tres personas cada uno. Calcular la probabilidad que en cada grupo haya
un hombre.

Solución. Definimos los siguientes eventos:

Ai : "en el grupo ¿ haya un hombre (i = 1,2,3,4,5)".

A : "en cada grupo de 3 personas haya un hombre".

El evento A se escribe así, A = A 1A2A3A4A5 , Luego,

P[A] = P[A1] P[A2 | A1] P[A3 | A1A2] P(A4I A1A2A3] P[A5 | A1A2A3A4]

(5) (10) (4) (8) (3) (6) (2) (4) 1

= 1 2 . 1 2 . 1 2 . 1 2 .
12 12 6
(15) ( ) ( ) ( ) 1
3 3 3 3
5! 10! 4! 8! 3! 6! 4!
𝑥 𝑥 𝑥 2! 𝑥
= 4! 8! 2! 𝑥 3! 2! 6! 𝑥 2! 2! 4! 𝑥 2! 2! 𝑥1
15! 12! 6! 6!
3! 12! 3! 9! 3! 6! 3! 3!

5! 10! 35
= = 0.081
15!
Ejemplo 12. En un cajón hay 80 tubos buenos y 20 malos; en un segundo cajón el 30%
son malos y en un tercer cajón, el 25% son malos. Se sabe que ni número de tubos del
tercer cajón es el triple de los que hay en el segundo y en total hay 260 tubos. Se mezclan
los tubos de las tres cajas.

(a) Al extraer, al azar, un tubo; calcule la probabilidad que sea malo, si se sabe que
pertenece al segundo cajón.
(b) Al extraer, al azar, 2 tubos; calcule la probabilidad que el primero y el segundo sean
malos.
Solución. Sea x el número de tubos en el segundo cajón, o sea

100 + x + 3x = 260,

de donde x = 40 , y 3x = 120 .

Entonces, en la primera caja hay 100 tubos de los cuales 80 son buenos y 20 malos; en el
segundo cajón hay 40 tubos de los cuales 28 son buenos y 12 malos; y en el tercer cajón
hay 120 tubos de los cuales 90 son buenos y 30 malos.

(b) Sea D, el evento: "obtener un tubo defectuoso" y C: "el tubo pertenece al segundo
cajón".
Luego,

𝑃[𝐴𝐶] 12⁄260 12
𝑃[𝐷|𝐶] = = = = 0.3
𝑃[𝐶] 40⁄ 40
260

(c) Sea D, el evento: "obtener el primer y el segundo tubo defectuoso. "Entonces,

D = D1D2

62 61 3782
𝑃[𝐷] = 𝑃[𝐷1 ]𝑃[𝐷2 |𝐷1 ] = 𝑥 = = 0.056
260 259 57340
Ejemplo 13. Una caja contiene 7 tarjetas marcadas, "sin, premio': y 5 con "premio mayor".
En un concurso, dos personas A y B, extraen tarjetas de la caja en forma alternada hasta
que una de ellas saca una marcada con el "premio mayor". Si A selecciona la tarjeta en
primer lugar, ¿cuál es la probabilidad que extraiga una con "premio mayor"?

Solución. Definimos los siguientes eventos:

Ai : "el jugador A obtiene la tarjeta con premio mayor en su i-ésima jugada".

Bj : "el jugador B obtiene la tarjeta con premio mayor en su j-ésima jugada".

Ap : "el jugador A extrae una tarjeta con premio mayor".

El evento Ap se escribe, Ap = A1 U A1B1A2 U A1B1A2B2A3 U A1B1A2B2A3B3A4

Luego,

P[Ap] = P[A1] P[A1B1A2] + P[A1B1A2B2A3] + P[A1B1A2B2A3B3A4]

5 7 6 5 7 6 5 4 5 7 6 5 4 3 2 5
= + . . + . . . . + . . . . . .
12 12 11 100 12 11 10 9 8 12 11 10 9 8 7 6
248 62
= = = 0.63
12𝑥11𝑥3 99

El diagrama del árbol de probabilidad para este problema se muestra en la fig. 13.15

Fig. 13.15

Ejemplo 14. Una urna contiene 10 bolas, 5 marcadas con la letra A y 5 bolas marcadas
con la letra B, Dos jugadores, A y B juegan de la siguiente forma: comienza el jugador A
extrayendo una bola y a continuación B realiza también una extracción, y así
alternadamente. Las extracciones se hacen sin reposición. Gana el primer jugador que
extraiga una bola con su letra (A una bola A y B una bola B).

(a) ¿Cuál es la probabilidad que gane el jugador A? ¿Cuál de B?

(b) ¿Cuál es la probabilidad que no gane ninguno de los dos?

Solución. Definimos los siguientes eventos;

GA "gana el jugador A"

GB "gana el jugador B"

GN "no gana ninguno de los jugadores"

AK (K = 1,2,... ): "En la K-ésima extracción se obtiene una bola marcada con A"

BK(K = 1,2,... ): "En la K-ésima extracción se obtiene una bola nrar cada con B"

Consideremos el diagrama del árbol de probabilidad de la fig. 13.16

 Fig. 13.16

(a) De este diagrama obtenemos:

5 5 5 4 5 5 4 4 3 5 5 4 4 3
𝑃[𝐺𝐴 ] = + 𝑥 𝑥 + 𝑥 𝑥 𝑥 𝑥 + 𝑥 𝑥 𝑥 𝑥
10 10 9 8 10 9 8 7 6 10 9 8 7 6
3 2 5 5 4 4 3 3 2 2 1 175
𝑥 𝑥 + 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 =
5 4 10 9 8 7 6 5 4 3 2 252

5 4 5 5 4 3 5 5 4 4 3 2 5 5 4 4
𝑃[𝐺𝐵 ] =𝑐 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥
10 9 10 9 8 7 10 9 8 7 6 5 40 9 8 7
3 3 2 1 76
𝑥 𝑥 𝑥 =
6 5 4 3 252

(b) No gana ninguno de los jugadores, cuando A saque todas las bolas marca das con B y
B todas las bolas marcadas con A, o sea
5 5 4 4 3 3 2 2 1 1
𝑃[𝐺𝑁 ] = 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥 𝑥1=
10 9 8 7 6 5 4 3 2 252
Revisión de las estimaciones anteriores de probabilidades: teorema de Bayes

Al inicio de la temporada de béisbol, los seguidores del equipo ganador de la temporada

anterior creen que éste tiene buenas posibilidades de ganar nuevamente. Sin embargo, a
poco del arranque de temporada, el shortstop tiene que quedarse en la banca debido a
una lesión y el principal rival del equipo contrata a un gran bateador, famoso por sus
cuadrangulares. El equipo campeón- empieza a perder. Casi al final de la temporada, sus
seguidores se dan cuenta que deben cambiar sus anteriores probabilidades de ganar.

Una situación similar se presenta en el ámbito de los negocios. Si la administradora de

una bou-tique encuentra que la mayoría de las chamarras deportivas color púrpura y
amarillas que pensó se iban a vender muy bien, todavía están colgadas en los
exhibidores, entonces tiene que revisar las probabilidades anteriores y ordenar una
combinación diferente de color o ponerlas en oferta.

En ambos casos, ciertas probabilidades fueron alteradas después de que los interesados
obtuvieron información adicional. Las nuevas probabilidades se conocen como
probabilidades revisadas o posteriores. Como éstas pueden revisarse en la medida que
hay más información, la teoría de probabilidad adquiere gran valor para la toma de
decisiones empresariales.

El origen del concepto de la obtención de probabilidades posteriores con información

limitada se atribuye al reverendo Thomas Bayes (1702-1761). La fórmula básica para la
probabilidad condicional en circunstancias de dependencia

𝑃 (𝐵𝐴) Ecua. 13.6

𝑃(𝐵 |𝐴) =
𝑃 (𝐴)

se conoce como teorema de Bayes.

El teorema de Bayes ofrece un potente método estadístico para evaluar nueva

información y revisar nuestras anteriores estimaciones (basadas sólo en información
limitada) de la probabilidad de que las cosas se encuentren en un estado o en otro. Si es
utilizado de manera correcta, se hace in-necesario reunir grandes cantidades de datos en
un período grande con el fin de tomar mejores decisiones, basadas en probabilidades.
Cálculo de probabilidades posteriores

Como primer ejemplo de revisión de probabilidades anteriores, suponga que tenemos una
cantidad igual de dos tipos de dados anormales (cargados) en un recipiente. En la mitad
de éstos, un as (o un punto) se presenta 40% de las veces; por tanto P(as) = 0.4. En la
otra mitad, un as se presenta el 70% de las veces P(as) = 0.7. A la primera clase de
dados la llamaremos tipo 1, y a la segunda tipo 2. Se saca un dado del recipiente y se le
lanza una vez, el resultado es un as. ¿Cuál es la probabilidad de que el dado sea del tipo
1? Sabiendo que el recipiente contiene el mismo número de dados de dad de que el dado
sea del upo 1? Sabiendo que el recipiente contiene el mismo número de dados de cada
tipo, podemos contestar incorrectamente que la probabilidad es de un medio; pero
podemos hacer una mejor estimación. Para responder a la pregunta de manera correcta,
construimos la tabla 13.5.

La suma de las probabilidades de los eventos elementales (el sacar un dado del tipo 1 o
del tipo 2) es de 1.0, ya que solamente tenemos dos tipos de dados. La probabilidad de
cada tipo es de 0.5. Las dos clases de dados constituyen una lista mutuamente
excluyente y colectivamente exhaustiva.

La suma de P(as | evento elemental) no es igual a 1.0. Las cantidades 0.4 y 0.7
simplemente re-presentan las probabilidades condicionales de obtener un as, dado que se
obtuvo un dado del tipo 1 o del tipo 2, respectivamente.

La cuarta columna muestra la probabilidad conjunta de obtener un as y un dado del tipo 1

(0.4 x 0.5 = 0.20) y la probabilidad conjunta de obtener un as y un dado del tipo 2 (0.7 X
0.5 = 0.35). La suma de estas probabilidades conjuntas (0.55) es ia probabilidad marginal
de obtener un as. Note que en cada caso, la probabilidad conjunta fue obtenida mediante
la fórmula:

𝑃 (𝐴𝐵) = 𝑃(𝐴|𝐵 )𝑥𝑃(𝐵) [13.7]

Para encontrar la probabilidad de que el dado que sacamos sea del tipo 1, utilizamos la
fórmula para la probabilidad condicional bajo condiciones de dependencia estadística

𝑃(𝐵𝐴)
𝑃 (𝐵|𝐴) = 𝑃(𝐴)
[13.8]
Aplicándola a nuestro problema, tenemos:

𝑃(𝑡𝑖𝑝𝑜 1, 𝑎𝑠)
𝑃(𝑡𝑖𝑝𝑜 1|𝑎𝑠) =
𝑃(𝑎𝑠)

0.20
𝑃 (𝑡𝑖𝑝𝑜 1|𝑎𝑠) = = 0364
0.55

Por consiguiente, la probabilidad de que hayamos sacado un dado del tipo 1 es de 0.364.
Calculemos la probabilidad de que el dado sea del tipo 2:

𝑃(𝑡𝑖𝑝𝑜 2, 𝑎𝑠) 0.35

𝑃(𝑡𝑖𝑝𝑜 2|𝑎𝑠) = = = 0.636
𝑃(𝑎𝑠) 0.55

Qué hemos logrado con una porción adicional de información que llegó a nuestras
manos? ¿Qué inferencias hemos sido capaces de alcanzar a partir de un lanzamiento del
dado? Antes de que lancemos este dado, lo mejor que podemos decir es que hay una
probabilidad de 0.5 de que el dado sea del tipo 1 y la misma probabilidad de que sea del
tipo 2. Sin embargo, después de lanzar el dado hemos sido capaces de alterar o revisar
nuestra estimación anterior de probabilidad. Nuestra estimación posterior es que existe
una probabilidad más grande (0.636) de que el dado que tenemos en las manos sea del
tipo 2 que del tipo 1 (ésta sólo de 0.364).

Evento Probabilidad P(as│ P(as, evento

Tabla 13.5 elemental del evento evento elemental)*
elemental elemental)
Búsqueda de la Tipo 1 0.5 0.4 0.4 x 0.5 = 0.20
probabilidad marginal de tipo 2 0.5 0.7 0.7 x 0.5 = 035
obtener un as 1.0 P(as) = 0.55

*Se utiliza la coma para separar los eventos conjuntos. Podemos poner juntas letras
individuales para indicar, sin que haya confusión, eventos conjuntos (por ejemplo, AB),
pero al poner juntas palabras completas produciríamos eventos de apariencia extraña
(aseventoelemental), que podrían ocasionar confusión.
Probabilidades posteriores con más información

Podemos tener la sensación de que un lanzamiento del dado no es suficiente para indicar
sus características (sí es del tipo 1 o del tipo 2). En este caso, podemos obtener
información adicional median-te un nuevo lanzamiento del dado (desde luego que obtener
más información en la mayoría de las situaciones de toma de decisiones es más
complicado y lleva más tiempo). Suponga que se lanza el mismo dado una segunda vez y
de nuevo se obtiene un as. ¿Cuál es la probabilidad de que el dado sea del tipo 1? Para
determinar la respuesta consultemos la tabla 13.6.

En esta tabla tenemos una nueva columna, P (2 ases | evento elemental), la cual da la
probabilidad conjunta de obtener dos ases en dos lanzamientos consecutivos si el dado
es del tipo 1: P (2 ases | tipo 1) = 0.4 X 0.4 = 0.16; y si es del tipo 2: P (2 ases | tipo 2) =
0.7 X 0.7 = 0.49. En la última columna vemos las probabilidades conjuntas de obtener dos
ases en dos lanzamientos consecutivos y los eventos elementales (tipo 1 y tipo 2). Es
decir, P (2 ases, tipo 1) es igual a P (2 ases | tipo 1) por la probabilidad de obtener del tipo
1, o 0.16X0.5 = 0.080 y P (2 ases, tipo 2) es igual a P (2 ases, tipo 2) por la probabilidad
de obtener del tipo 2, o 0.49 X 0.5 = 0.245. La suma de estas probabilidades (0.325) es la
probabilidad marginal de obtener dos ases en dos lanzamientos consecutivos.

Ahora ya estamos listos para calcular la probabilidad de que el dado que sacamos sea del
tipo 1, puesto que salió un as en cada uno de los dos lanzamientos consecutivos.
Utilizando la misma fórmula general como antes, tenemos que:

𝑃 (𝑡𝑖𝑝𝑜 1, 2 𝑎𝑠𝑒𝑠) 0.080

𝑃 (𝑡𝑖𝑝𝑜1|2 𝑎𝑠𝑒𝑠) = = = 0.246
𝑃 (2 𝑎𝑠𝑒𝑠) 0.325

Igualmente

𝑃(𝑡𝑖𝑝𝑜 2│2 𝑎𝑠𝑒𝑠) 0.245

𝑃 (𝑡𝑖𝑝𝑜2|2 𝑎𝑠𝑒𝑠) = = = 0.754
𝑃 (2 𝑎𝑠𝑒𝑠) 0.325

¿Qué hemos obtenido con dos lanzamientos? Cuando sacamos el dado, todo lo que
sabíamos era que había probabilidades iguales de que éste fuera del tipo 1 o del tipo 2.
En otras palabras, existía la posibilidad 50-50 de que fuera del tipo 1 o del 2. Después de
lanzar el dado una vez y haber obtenido un as, revisamos estas probabilidades originales
y concluimos lo siguiente:
Probabilidad de que sea del upo 1, dado que se obtuvo un as = 0.364 Probabilidad de que
sea del tipo 2, dado que se obtuvo un as = 0.636

Después del segundo lanzamiento (obteniendo otro as), revisamos las probabilidades de
nuevo:

Probabilidad de que sea del tipo 1, dado que se obtuvieron dos ases = 0.246 Probabilidad
de que sea del tipo 2, dado que se obtuvieron dos ases = 0.754

Así pues, hemos cambiado las probabilidades originales de 0.5 para cada tipo a 0.246
para el tipo 1 y 0.754 para el 2. Esto significa que ahora podemos asignar una
probabilidad de 0.754 a que si obtenemos dos ases en dos lanzamientos consecutivos el
dado es del tipo 2.

En ambos experimentos, obtuvimos nueva información gratis. Fuimos capaces de lanzar

el dado dos veces, observar su comportamiento y hacer inferencias a partir del
comportamiento, sin que esto implicara ningún costo.

Tabla 13.6 Evento Probabilidad P(as│ P(2 ases P(as, evento

elemental del evento evento evento elemental)
elemental elemental) elemental
Búsqueda de la Tipo 1 0.5 0.4 0.16 0.16 x 0.5 =
probabilidad tipo 2 0.5 0.7 0.49 0.080
marginal de 1.0 0.49 x 0.5 =
obtener dos ases 0.245
en dos P(2 ases) = 0.325
lanzamientos
consecutivos

Obviamente, existen pocas situaciones en las que lo anterior es cierto, y los

administradores no solamente deben entender cómo utilizar la nueva información para
revisar sus probabilidades anteriores, sino qué deben también tener la capacidad de
determinar cuánto vale esa información. En muchos casos, el valor de la información
obtenida puede ser considerablemente menor que su costo.
Un problema relacionado con tres elementos de información

Considere el problema del equipo de una liga menor de béisbol que utiliza una máquina
de lanzamientos automática para su entrenamiento. Si la máquina se coloca de manera
correcta, es decir, ajustada apropiadamente, lanzará strikes 85% de las veces. Si se le
coloca incorrectamente, lanzará strikes sólo en 35% de los lanzamientos. La experiencia
pasada indica que 75% de las veces que se coloca la máquina se hace de manera
correcta. Un día, después de que la máquina ha sido colocada para una práctica de
bateo, lanza tres strikes en los primeros tres lanzamientos. ¿Cuál es la probabilidad
revisada de que la máquina esté bien colocada? En la tabla 13.7 se ilustra la manera en
que podemos responder esta pregunta.

Podemos interpretar los encabezados numerados de la tabla 13.7 de la siguiente manera:

1. P (evento) describe las probabilidades individuales de colocar la máquina correcta e

incorrectamente. P (correcta) = 0.75, se dice en el problema. Por tanto, podemos
calcular:
P (incorrecta) = 1.00 – P (correcta) = 1.00 - 0.75 = 0.25

2. P (1 stríke│evento) representa la probabilidad de tener un strike, dado que la

colocación es correcta o incorrecta. Estas probabilidades se dan en el problema.
3. P (3 strikes│evento) es la probabilidad de obtener tres strikes en tres lanzamientos
consecutivos, dado el evento, es decir, dada una colocación correcta o incorrecta de la
máquina. Las probabilidades se calculan de la siguiente manera:
P (3 strikes│correcta) = 0.85 X 0.85 x 0.85 = 0.6141

P (3 strikes│incorrecta) = 0.35 X 0.35 X 0.35 - 0.0429

4. P (evento, 3 strikes) es la probabilidad de que se presenten conjuntamente el evento

(colocación correcta o incorrecta) y tres strikes. Podemos calcular la probabilidad de la
manera siguiente:
P (correcta, 3 strikes) = 0.6141 X 0.75 = 0.4606

P (incorrecta, 3 strikes) = 0.0429 X 0.25 = 0.0107

Observe que si A = evento y 5 = strike, entonces las dos últimas probabilidades se ajustan
a la fórmula matemática general para probabilidades conjuntas en condiciones de
dependencia: P(AS) = P(SA) = P(5|A) x P(4), ecuación 13.7.

Tabla 13.7 Evento P(evento) P(1 strike│ P(3 P(evento,

Evento) strikes│ 3 strikes) (4)
evento
Probabilidades Correcta 0.75 0.85 0.6141 0.6141 x 0.75 =
posteriores con Incorrecta 0.25 0.35 0.0429 0.4606
tres pruebas 1.00 0.0429 x 0.25 =
0.0107
P(3 strikes) = 0.4713

Después de realizar el cálculo de la tabla 13.7, estamos listos para determinar la

probabilidad visada de que la máquina esté correctamente instalada. Utilizamos la fórmula
general:

𝑃(𝐴𝐵) Ecua. 13.9

𝑃 (𝐴|𝐵) =
𝑃 (𝐵)

y la aplicamos a nuestro caso particular:

𝑃(𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎, 3 𝑠𝑡𝑟𝑖𝑘𝑒𝑠)
𝑃 (𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎|3 𝑠𝑡𝑟𝑖𝑐𝑘𝑒𝑠) =
𝑃(3 𝑠𝑡𝑟𝑖𝑐𝑘𝑒𝑠)

0.4606
= = 0.9773
0.4713

La probabilidad posterior te que la máquina esté correctamente colocada es de 0.9773 o

de 97.73%. Así pues, hemos revisado nuestra probabilidad original de que la máquina
esté instalada correctamente y la probabilidad cambió de 75 a 97.73%, basados en la
obtención de tres strikes en tres lanzamientos.
Probabilidades posteriores con resultados inconsistentes

En todos los problemas analizados hasta aquí, el comportamiento del experimento ha sido
consistente: se obtuvo un as con el dado en dos lanzamientos consecutivos y la máquina
automática lanzó tres strikes en tres lanzamientos seguidos. En la mayoría de las
situaciones, podríamos esperar una distribución menos consistente de resultados. En el
caso de la máquina de lanzamientos, por ejemplo, pudimos haber tenido cinco
lanzamientos con el siguiente resultado: strike, bola, strike, strike, strike. En esta
situación, el cálculo de nuestra probabilidad posterior de que la máquina esté
correctamente instalada, en realidad no implica más dificultad que en el caso en que se
tienen resultados perfectamente consistentes. Utilizando la notación 5 = strike y B = bola,
hemos resuelto esta situación en la tabla 13.8.

Tabla 13.8 Evento P(evento) P(S│evento) P(SBSSS│evento) P(evento, SBSSS)

Probabilidades Correcta 0.75 0.85 0.85 x 0.15 x 0.85 x 0.85 x 0.85 = 0.7830 x 0.75 =
posteriores Incorrecta 0.25 0.35 0.07830 0.05873
con resultados 1.00 0.35 x 0.62 x 0.35 x 0.35 x 0.35 = 0.00975 x 0.25 =
inconsistentes 0.00975 0.00244
P(SBSSS) = 0.06117

𝑃(𝑖𝑛𝑠𝑡𝑎𝑙𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎, 𝑆𝐵𝑆𝑆𝑆)

𝑃(𝑖𝑛𝑠𝑡𝑎𝑙𝑎𝑐𝑖ó𝑛 𝑐𝑜𝑟𝑟𝑒𝑐𝑡𝑎|𝑆𝐵𝑆𝑆𝑆) =
𝑃(𝑆𝐵𝑆𝑆𝑆)
0.05873
=
0.06117

=0.9601

El teorema de Bayes es un procedimiento formal que permite a los tomadores de

decisiones combinar la teoría de probabilidad clásica con su mejor sentido intuitivo acerca
de lo que es posible que ocurra. Advertencia: el valor real del teorema de Bayes no está
en el álgebra sino en la habilidad de los administradores bien informados para hacer
buenas predicciones del futuro. Sugerencia: en todas las situaciones en las que se use el
teorema de Bayes, primero utilice todos los datos históricos disponibles y después (y sólo
entonces) agregue su propio juicio intuitivo al proceso. La intuición usada para hacer
predicciones acerca de cosas que ya están bien descritas estadísticamente está mal
dirigida.