UNIVERSIDAD AUTÓNOMA DE SANTO DOMINGO

Facultad de Ciencias Económicas y Sociales

Escuela de Estadística

MÉTODOS ESTADÍSTICOS II.

(EST-2230)

Prof. Melvin Avilés Quezada

 CONTENIDO:

✓ Capítulo 1. Introducción a la teoría de probabilidad.

✓ Capítulo 2. Distribuciones probabilísticas discretas.

✓ Capítulo 3. Distribuciones probabilísticas continuas.

✓ Capítulo 4. Distribuciones muestrales y la estimación.

✓ Capítulo 5. Pruebas de hipótesis.

✓ Capítulo 6. Análisis de datos de nivel nominal.

✓ Bibliografía y Anexos.
 Capítulo I. Introducción a la Teoría de Probabilidad

PROBABILIDAD.

La probabilidad y la estadística están relacionadas en una forma

importante. La probabilidad se emplea como una herramienta para evaluar
la confiabilidad de las conclusiones acerca de la población, cuando sólo se
tiene información muestral y se define como una medida numérica de la
posibilidad de que un evento ocurra. Se denota con la letra P. Los valores
de probabilidad siempre se asignan en una escala de 0 a 1 inclusive.

La probabilidad la vamos a utilizar en dos formas:

• Cuando la población es desconocida y sólo se dispone de una muestra
de esa población, la probabilidad se usa para hacer enunciados acerca
de las características de la población, es decir, hacer inferencias
estadísticas.
• Cuando la población es conocida, se usa la probabilidad para describir
la posibilidad de observar un resultado muestral en particular.
 Capítulo I. Introducción a la Teoría de Probabilidad

Una probabilidad cercana a 0 indica que es poco probable que un evento

ocurra, una probabilidad cercana a 1 indica que es casi seguro que un
evento se produzca. Otras probabilidades entre 0 y 1 representan grados de
posibilidad de que un evento ocurra. Por ejemplo, si se considera el evento
“lluvia para mañana”, se entiende que cuando el informe del clima indica
“una probabilidad de lluvia de 0.05”, significa que la posibilidad de lluvia es
muy baja. Sin embargo, si se indica una probabilidad de lluvia de 0.90, es
muy probable que llueva. Un valor de 0.50 indica que la probabilidad de que
llueva, es igual a la probabilidad de que no llueva.

En probabilidad se analizan experimentos estadísticos, que se definen

como cualquier proceso que genere un conjunto de resultados o datos. En
estadística nos interesan, en particular, las observaciones que se obtienen
al repetir varias veces un experimento. En cada repetición ocurre uno y sólo
uno de los resultados posibles del experimento. Un ejemplo simple de
experimento estadístico es el lanzamiento de una moneda al aire.
 Capítulo I. Introducción a la Teoría de Probabilidad

En tal experimento sólo hay dos resultados posibles: cara o cruz. Al

conjunto de todos los posibles resultados de un experimento estadístico se
le llama espacio muestral y se representa con el símbolo S. A cada
resultado en un espacio muestral se le llama punto muestral o evento
simple y se define como el resultado que se observa en una sola repetición
del experimento.

En cualquier experimento dado, podríamos estar interesados en la

ocurrencia de ciertos eventos, más que en la ocurrencia de un elemento
específico del espacio muestral. Un evento se define como un subconjunto
del espacio muestral, que puede incluir todo el espacio muestral S, o no
contener ningún elemento (conjunto vacío “φ”). Se denotan con las tres
primeras letras del abecedario en mayúscula. Considere el experimento de
lanzar un dado y observar la cara superior: S = {1, 2, 3, 4, 5, 6} ; un evento
simple es el 1, otro es el 2, y así sucesivamente. Si se define el evento A
como observar un numero par, A = {2, 4, 6}
 Capítulo I. Introducción a la Teoría de Probabilidad

Asignación de probabilidades.
Los requisitos básicos son: cada probabilidad debe estar entre 0 y
1 inclusive, y la suma de las probabilidades de todos los eventos
simples en S debe ser igual a 1. Los tres métodos comunes son:
1. Método de la frecuencias relativas (requiere repetir el experimento
un gran número de veces): se realiza un experimento un gran
número de veces y se cuenta el número de veces que ocurre el
evento A. Entonces, P(A) se aproxima de la siguiente manera:
número de veces que ocurrió A
𝑃 𝐴 =
número de veces que se repitió el experimento

2. Método clásico de la probabilidad (requiere resultados igualmente

probables): si un procedimiento tiene N resultados posibles que
son igualmente probables, y si exactamente n de estos
resultados corresponden al evento A, entonces:
número de resultados que pertenecen al evento A n
P A = =
número de resultados posibles N
 Capítulo I. Introducción a la Teoría de Probabilidad

Ejemplo de los dos métodos anteriores:

 Capítulo I. Introducción a la Teoría de Probabilidad

3) Probabilidades subjetivas: es más apropiado cuando no se puede asumir en

forma realista que los resultados del experimento son igualmente probables y
cuando se dispone de pocos datos relevantes. Cuando el método subjetivo se
utiliza para asignar probabilidades a los resultados del experimento, es posible
usar cualquier información disponible, como nuestra experiencia o intuición.
Debido a que la probabilidad subjetiva expresa el grado de creencia de una
persona, es personal. Utilizando este método, se puede esperar que distintas
personas asignen probabilidades diferentes al mismo resultado experimental. El
método subjetivo exige un cuidado especial para asegurar que los dos requisitos
básicos de asignación de probabilidad se cumplan. Ejemplo:
 Capítulo I. Introducción a la Teoría de Probabilidad
Apuntes de suma importancia.
• La definición clásica de probabilidad fue formulada por Pierre-Simon
Laplace.
• La probabilidad de cualquier evento es igual a la suma de las probabilidades
de los eventos simples o puntos muestrales contenidos en él.
• El complemento del evento A, expresado por Ac, consiste en todos los
resultados en los cuales el evento A no ocurre. P(Ac) = 1 – P(A).
• Las aproximaciones por frecuencia relativa tienden a mejorar con más
observaciones, esto se debe a la ley de los grandes números, que establece
que cuando un procedimiento se repite una y otra vez, la probabilidad por
frecuencia relativa de un evento tiende a acercarse a la probabilidad real.
• Un evento aleatorio es un subconjunto del espacio muestral de un
experimento aleatorio, que es un experimento cuyo resultado es incierto.
• Un experimento determinístico es aquel que se puede predecir con exactitud.
Ej: sabemos sin ningún margen de error que si una persona ingiere un litro
de mercurio morirá o si dejamos caer un piedra por la ventana, sabemos que
en pocos segundos caerá al suelo.
 Capítulo I. Introducción a la Teoría de Probabilidad
Diagrama del árbol.
Algunos experimentos se pueden generar en etapas
y el espacio muestral se puede obtener por medio
de este diagrama. Cada nivel de ramificación
sucesivo del árbol corresponde a un paso requerido
para generar el resultado final. Ejemplo: lance al
aire dos monedas imparciales y registre el resultado.
Se nota rápidamente que S = {HH, HT, TH, TT}.

Diagrama de Venn.
A veces es útil visualizar un experimento usando
este diagrama, en el cual, la caja exterior
representa el espacio muestral S, que contiene
todos los eventos simples: S = {1,2,3,4,5,6,7}.
Como un evento es un conjunto de uno o más
eventos simples, estos están representados por
un circulo con la letra que identifica el evento.
A={1,2,4,7}, B={1,2,3,6} y C={1,3,4,5}.
 Capítulo I. Introducción a la Teoría de Probabilidad

A continuación se presentan varias normas importantes que con frecuencia

simplifican el cálculo de las probabilidades.

Regla de la adición.
Es útil cuando interesa conocer la probabilidad de que ocurra por lo menos
uno de dos eventos. Es decir, con los eventos A y B nos interesa conocer la
probabilidad de que ocurra el evento A o el evento B, o ambos. Antes de
presentar la regla de la adición, debemos estudiar dos conceptos
relacionados con la combinación de eventos: la unión de eventos y la
intersección de eventos.

Dados dos eventos A y B, la unión de A y B es el evento que contiene

todos los puntos de la muestra que pertenecen a A o B o ambos. La unión
se denota mediante A∪B. No obstante, la intersección de A y B es el
evento que contiene los puntos de la muestra que pertenecen tanto a A
como a B. La intersección se denota por medio de A∩B.
 Capítulo I. Introducción a la Teoría de Probabilidad

A = {1,2,4,7} ; Ac = {3,5,6}
B = {1,2,3,6} ; Bc = {4,5,7}
C = {1,3,4,5} ; Cc = {2,6,7}
A∪B = {1,2,3,4,6,7}
A∪C = {1,2,3,4,5,7}
B∪C = {1,2,3,4,5,6}
A∩B = {1,2} ; A∩C = {1,4} ; B∩C = {1,3}
 Capítulo I. Introducción a la Teoría de Probabilidad

Para encontrar la P(A∪B), que es lo mismo que P(A o B), sume el número de
formas en que puede ocurrir el evento A y el número de formas en que
puede ocurrir el evento B, pero hágalo de tal manera que cada resultado se
contabilice sólo una vez. Entonces, la P(A∪B) es igual a esa suma, dividida
por el número total de resultados en el espacio muestral.
𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵 − 𝑃(𝐴 ∩ 𝐵)

La regla de la suma se simplifica cuando los eventos son mutuamente

excluyentes o disjuntos, es decir, los eventos A y B son mutuamente
excluyentes si no pueden ocurrir al mismo tiempo, por tanto, como no van a
tener puntos muestrales en común, la P(A∩B), que es lo mismo que P(A y B),
es igual a cero y la regla de la suma quedaría como: 𝑃 𝐴 ∪ 𝐵 = 𝑃 𝐴 + 𝑃 𝐵

Cuando dos eventos pueden ocurrir al mismo tiempo se dicen que son no
mutuamente excluyentes, es decir, los contrario a lo planteado más arriba.
 Capítulo I. Introducción a la Teoría de Probabilidad
Ejemplo 1: se realiza un experimento de lanzar un dado normal al aire y observar la
cara superior. Cuál es la probabilidad: a) de obtener un 3 y b) de no obtener un 3.
S={1,2,3,4,5,6} ; si se define el evento A como “obtener un 3”, entonces A={3} y
Ac={1,2,4,5,6}. Como los resultados de este experimento son igualmente probables:
𝑛 1
𝑷 𝑨 = = = 𝟎. 𝟏𝟔𝟔𝟕 ; 𝑷 𝑨𝒄 = 1 − 𝑃 𝐴 = 1 − 0.1667 = 𝟎. 𝟖𝟑𝟑𝟑
N 6
Si se define el evento B como “obtener un número par” y C como “obtener un número
mayor que tres”, entonces B={2,4,6} y C={4,5,6} ; B∪C = {2,4,5,6} ; B∩C = {4,6}
¿Cual es la probabilidad de obtener un número par y mayor que tres?
𝑛 2 1 1 1 2 1
𝑷 𝑩 ∩ 𝑪 = = = = 𝟎. 𝟑𝟑𝟑𝟑 ; 𝑷 𝑩 ∩ 𝑪 = + = = = 𝟎. 𝟑𝟑𝟑𝟑
N 6 3 6 6 6 3
¿Cual es la probabilidad de obtener un número par o mayor que tres?
3 3 2 4 2
𝑷 𝑩∪𝑪 = 𝑃 𝐵 +𝑃 𝐶 −𝑃 𝐵∩𝐶 = + − = = = 𝟎. 𝟔𝟔𝟔𝟕
6 6 6 6 3
4 2
𝑛 1 1 1 1 4 2
𝑷 𝑩 ∪ 𝑪 = = = = 𝟎. 𝟔𝟔𝟔𝟕 ; 𝑷 𝑩 ∪ 𝑪 = + + + = = = 𝟎. 𝟔𝟔𝟔𝟕
N 6 3 6 6 6 6 6 3
 Capítulo I. Introducción a la Teoría de Probabilidad
Ejemplo 2: Tabla 4- Resultados de las pruebas de drogas a solicitantes de empleo.

Si un sujeto se selecciona al azar de entre los 555 sujetos que fueron sometidos a la
prueba de drogas, encuentre la probabilidad de seleccionar un sujeto con resultado
positivo en la prueba o que use drogas.

A = “resultado positivo en la prueba”. B = “El sujeto usa drogas”.

70 50 45 75 5
𝑷 𝑨𝒐𝑩 =𝑃 𝐴 +𝑃 𝐵 −𝑃 𝐴𝑦𝐵 = + − = = = 𝟎. 𝟏𝟑𝟓𝟏
555 555 555 555 37
 Capítulo I. Introducción a la Teoría de Probabilidad
Probabilidad condicional.
La probabilidad de un evento a menudo es influida por el hecho de si otro evento
relacionado ha ocurrido ya. Suponga que se tiene un evento A con probabilidad P(A).
Si se obtiene nueva información y se aprende que un evento relacionado, denotado
por B, ya ocurrió, esta información se puede aprovechar mediante el cálculo de una
nueva probabilidad del evento A, a la cual se denomina probabilidad condicional, y se
escribe P(A | B). La notación se utiliza para indicar que se está considerando la
probabilidad del evento A dada la condición de que B ha ocurrido. De ahí que la
notación P(A | B) se lea “la probabilidad de A dado B”.

Ejemplo 3: considere la situación del estado de ascensos de oficiales hombres y

mujeres de una fuerza policial metropolitana en el este de Estados Unidos. La policía
local está formada por 1,200 oficiales, de los cuales hay 960 hombres y 240 mujeres.
Durante los últimos dos años fueron ascendidos 324 oficiales de policía. Después de
revisar el registro de ascensos, un comité de mujeres policía planteó un caso de
discriminación sobre la base de que 288 oficiales hombres fueron promovidos, en
comparación con sólo 36 mujeres. Enseguida se mostrará cómo se utiliza la
probabilidad condicional para analizar la acusación de discriminación.
Capítulo I. Introducción a la Teoría de Probabilidad
288
𝑃 𝑀∩𝐴 = = 𝟎. 𝟐𝟒
1200
672
𝑃 𝑀 ∩ 𝐴𝑐 = = 𝟎. 𝟓𝟔
1200
36
𝑃 𝑊∩𝐴 = = 0.03
1200
204
𝑃 𝑊 ∩ 𝐴𝑐 = = 𝟎. 𝟏𝟕
1200
 Capítulo I. Introducción a la Teoría de Probabilidad
Debido a que cada uno de estos valores da la probabilidad de la intersección de dos
eventos, las probabilidades se llaman probabilidades conjuntas. Los valores en los
bordes de esta tabla proporcionan las probabilidades de cada caso por separado. Es
decir, P(M)=0.80; P(W)=0.20; P(A)=0.27, y P(Ac)=0.73. Estos datos se refieren a las
probabilidades marginales debido a su ubicación en los bordes de la tabla de
probabilidad conjunta. Observe que las probabilidades marginales se encuentran al
sumar las probabilidades conjuntas en la fila o columna correspondiente de la tabla.
Por ejemplo, la probabilidad marginal de ser promovido es P(A) = P(M∩A) + P(W∩A) = 0.24 +
0.03 = 0.27. Cabe destacar que P (M∩A) es lo mismo que P (A∩M).

Para determinar si hay discriminación, se comparará la probabilidad de que un oficial

sea promovido dado que es hombre, con la probabilidad de que un oficial sea
promovido dado que es mujer. La probabilidad condicional se calcula como la división
de la probabilidad conjunta entre la probabilidad marginal. 𝑃 𝐴|𝐵 = 𝑃 𝐴 ∩ 𝐵 Τ𝑃(𝐵)

𝑃(𝐴 ∩ 𝑀) 0.24 𝑃(𝐴 ∩ 𝑊) 0.03

𝑷 𝑨|𝑴 = = = 𝟎. 𝟑𝟎 ; 𝑷 𝑨|𝑾 = = = 𝟎. 𝟏𝟓
P(M) 0.80 P(W) 0.20
 Capítulo I. Introducción a la Teoría de Probabilidad
Ejemplo: sea C el evento de tener cáncer y A el evento de dar positivo en la prueba:
• P(C) = 0.01 (Existe una tasa de prevalencia del 1% del cáncer).
• La tasa de falsos positivos es del 10%. Es decir, P(resultado positivo en la prueba
dado que el cáncer no está presente) = 0.10.
• La tasa de positivos verdaderos es del 80%. Es decir, P(resultado positivo en la
prueba dado que el cáncer está presente) = 0.80.
Determine P(tener cáncer | resultado positivo en la prueba). Utilice el siguiente cuadro:

P(C ∩ A) 𝟖/𝟏𝟎𝟎𝟎 𝟎. 𝟎𝟎𝟖

P(C | A) = = = = 𝟎. 𝟎𝟕𝟒𝟖
P(𝐀) 𝟏𝟎𝟕/𝟏𝟎𝟎𝟎 𝟎. 𝟏𝟎𝟕
 Capítulo I. Introducción a la Teoría de Probabilidad
Eventos independientes.
En el ejemplo anterior, P(A) = 0.27; P(A | M) = 0.30, y P(A | W) = 0.15. En particular,
debido a que P(A | M) ≠P(A), diríamos que los eventos A y M son dependientes. Es
decir, la probabilidad del evento A (promoción) se ve alterada o afectada por conocer
que el evento M ocurrió (el policía es hombre). Asimismo, como la P(A | W)≠P(A),
diríamos que A y W son eventos dependientes. No obstante, si la probabilidad del
evento A no cambia por la existencia del evento M “es decir, P(A | M) = P(A)”
diríamos que A y M son eventos independientes.

Regla de la multiplicación.
Mientras que la regla de la suma (ley aditiva) de la probabilidad se utiliza para
calcular la probabilidad de la unión de dos eventos, la regla de la multiplicación se
utiliza para calcular la probabilidad de la intersección de dos eventos. Esta última
regla se basa en la definición de la probabilidad condicional. Las formulas son:
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 ∙ 𝑃 𝐵|𝐴
o
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐵 ∙ 𝑃 𝐴|𝐵
 Capítulo 6. Introducción a la Teoría de Probabilidad

La regla de la multiplicación se simplifica cuando los eventos son independientes,

es decir, los eventos A y B son independientes si P(A) = P(A | B) o P(B) = P(B | A),
por lo tanto, al sustituir estas equivalencias en la formula anterior, la regla de la
multiplicación quedaría como:
𝑃 𝐴∩𝐵 = 𝑃 𝐴 ∙𝑃 𝐵
o
𝑃 𝐴∩𝐵 = 𝑃 𝐵 ∙𝑃 𝐴

Ejemplo 4: un envase contiene 6 bolas azules y 9 bolas verdes. Usted cierra los
ojos y del envase escoge dos bolas una por una y anota sus colores: a) ¿Cuál es
la probabilidad de que la primera bola sea azul y la segunda sea verde? ;
b) ¿Cuál es la probabilidad de que ambas bolas sean verdes?

𝑃 𝐴 ∩ 𝑉 = 𝑃 𝐴 ∙ 𝑃 𝑉|𝐴 𝑃 𝑉 ∩ 𝑉 = 𝑃 𝑉 ∙ 𝑃 𝑉|𝑉
6 9 9 9 8 12
𝑃 𝐴∩𝑉 = ∗ = = 0.2571 𝑃 𝑉∩𝑉 = ∗ = = 0.3429
15 14 35 15 14 35
 Capítulo I. Introducción a la Teoría de Probabilidad

Ejemplo 5: considere la situación de un gerente de estaciones de servicio que sabe, a

partir de su experiencia, que 80% de los clientes usa tarjeta de crédito cuando
compra gasolina. ¿Cuál es la probabilidad de que los siguientes dos clientes que
compren gasolina usen tarjeta de crédito?, Si:
A = el evento de que el primer cliente use tarjeta de crédito.
B = el evento de que el segundo cliente use tarjeta de crédito.
𝑃 𝐴 ∩ 𝐵 = 𝑃 𝐴 ∙ 𝑃 𝐵 = 0.80 ∗ 0.80 = 0.64

Ejemplo 6: con los datos proporcionados complete el siguiente cuadro a sabiendas

que los eventos, o son mutuamente excluyentes o independientes, no ambos.
P(A) P(B) Condiciones para eventos A y B P (A ∩ B) P (A ∪ B) P (A | B)
0.30 0.40 Mutuamente excluyentes 0 0.70 0
0.30 0.40 Independientes 0.12 0.58 0.30
0.10 0.50 Mutuamente excluyentes 0 0.60 0
0.20 0.50 Independientes 0.10 0.60 0.20
 Capítulo I. Introducción a la Teoría de Probabilidad
TEOREMA DE BAYES.
En el estudio de la probabilidad condicional se indicó que la revisión de las
probabilidades cuando se obtiene nueva información es una fase importante del
análisis de probabilidad.

A menudo comenzamos el análisis con las estimaciones de probabilidad previa o

inicial para eventos específicos de interés. Por tanto, de fuentes como una
muestra, un informe especial o una prueba de productos se obtiene información
adicional sobre los eventos. Con esta nueva información actualizamos los valores
de probabilidad previos mediante el cálculo de las probabilidades revisadas,
conocidas como probabilidades posteriores. El teorema de Bayes proporciona un
medio para efectuar estos cálculos, es decir, utilizando este teorema se podrá
calcular cualquier probabilidad posterior.

El teorema de Bayes es válido cuando los eventos de los que se quiere calcular
las probabilidades posteriores son mutuamente excluyentes y su unión es el
espacio muestral total. A continuación esto se representa en un diagrama de venn.
 Capítulo I. Introducción a la Teoría de Probabilidad

Suponga que el espacio muestral se puede dividir en k subpoblaciones, S1, S2, S3, .
. . , Sk, que son mutuamente excluyentes (no se sobreponen) y su unión es el
espacio muestral total. como se indica en la siguiente figura:
Entonces, podemos expresar la P(A) como:
P(A) = P(A∩S1) + P(A∩S2) + P(A∩S3) =
P(S1∩A) + P(S2∩A) + P(S3∩A). Si usamos la
regla de la multiplicación para escribir P(Si∩A)
A como P Si ∙ P A|Si , para i = 1, 2, 3,. . . ., k.,
obtendríamos como resultados la Ley de
probabilidad total: P(A) = P(S1) P(A|S1) + P(S2)
P(A|S2) + P(S3) P(A|S3).

Si un experimento comprende seleccionar una muestra de entre una de estas k

subpoblaciones, entonces ¿Cuál es la probabilidad de que la muestra proceda de la
subpoblación Si, dado que A ha ocurrido? Para contestar esta pregunta, se sabe que
P(Si|A) = P(Si∩A) / P(A), que se puede reescribir como: P(Si|A) = [P(Si) P(A|Si)] / P(A). Usando
la Ley de probabilidad total para reescribir P(A), obtendremos la formula del teorema de Bayes.
 Capítulo I. Introducción a la Teoría de Probabilidad

P(Si) P(A|Si) P(Si) P(A|Si)

P(Si|A) = =
P(A) P(S1) ∙ P(A|S1) + P(S2) ∙ P(A|S2) + P(S3) ∙ P(A|S3)

Un método tabular es útil para efectuar los cálculos del teorema de Bayes. Los pasos son:
1) Coloque en la columna 1, los eventos mutuamente excluyentes Si que se desean para las
probabilidades posteriores.
2) Coloque en la columna 2, las probabilidades previas P(Si) para esos eventos.
3) Coloque en la columna 3, las probabilidades condicionales P(A|Si) de la nueva
información A dada a cada evento.
4) En la columna 4, calcule las probabilidades conjuntas P(Si∩A) para cada evento,
multiplicando la probabilidad previa por la probabilidad condicional correspondiente.
5) Sume las probabilidades conjuntas de la columna 4. Esta suma es la probabilidad de la
nueva información, P(A), que también se obtiene mediante la ley de probabilidad total.
6) En la columna 5, calcule las probabilidades posteriores P(Si|A) = P(Si∩A) / P(A).
 Capítulo I. Introducción a la Teoría de Probabilidad
Ejemplo: suponga que el cáncer tiene una tasa de prevalencia del 1%, lo que significa
que el 1% de la población tiene cáncer. Expresando el evento de tener cáncer por C,
tenemos P(C)=0.01 para un sujeto seleccionado aleatoriamente de la población. Este
resultado se incluye con las siguientes características de desempeño para la prueba
del cáncer (con base en Probabilistic Reasoning in Clinical Medicine de David Eddy):
• P(C) = 0.01 (Existe una tasa de prevalencia del 1% del cáncer). Por tanto, existe
una probabilidad de 0.99 de no tener cáncer (complemento de C, denotado por Cc).
• La tasa de falsos positivos es del 10%. Es decir, P(resultado positivo en la prueba
dado que el cáncer no está presente) = 0.10.
• La tasa de positivos verdaderos es del 80%. Es decir, P(resultado positivo en la
prueba dado que el cáncer está presente) = 0.80.
Si el evento A se define como tener un resultado positivo en la prueba, determine la
probabilidad de que un sujeto realmente tenga cáncer dado que obtuvo un resultado
positivo en la prueba.
P(C) P(A | C) 0.01 ∗ 0.80 0.008
P(C | A) = = =
P(C) P(A | C) + P(Cc) P(A | Cc) 0.01 ∗ 0.80 + (0.99 ∗ 0.10) 0.107
P(C | A) = 𝟎. 𝟎𝟕𝟒𝟖
 Capítulo I. Introducción a la Teoría de Probabilidad
Ejemplo: sea C el evento de tener cáncer y A el evento de dar positivo en la prueba:
• P(C) = 0.01 (Existe una tasa de prevalencia del 1% del cáncer).
• La tasa de falsos positivos es del 10%. Es decir, P(resultado positivo en la prueba
dado que el cáncer no está presente) = 0.10.
• La tasa de positivos verdaderos es del 80%. Es decir, P(resultado positivo en la
prueba dado que el cáncer está presente) = 0.80.
Determine P(tener cáncer | resultado positivo en la prueba), por el método tabular.
Eventos Probabilidad Probabilidad Probabilidad Probabilidades
Ci previa P(Ci) condicional P(A|Ci) conjuntas P(Ci∩A) posteriores P(Ci|A)
C 0.01 0.80 0.008 0.0748
Cc 0.99 0.10 0.099 0.9252
P(A) = 0.107 1.0000
Interpretación: para los datos dados de este ejemplo, un sujeto seleccionado al azar tiene una probabilidad de 1%
de tener cáncer, pero para un sujeto seleccionado al azar dado que tuvo una prueba con resultado positivo, la
probabilidad de cáncer aumenta a 7.48%. Por tanto, un resultado de prueba positivo no debe ser una noticia
devastadora, porque todavía hay buena probabilidad de que la prueba sea incorrecta. (Mario Triola, 12 ed, 164 p.)
 Capítulo I. Introducción a la Teoría de Probabilidad

CONTEO DE PUNTOS MUESTRALES.

Uno de los problemas que el estadístico debe considerar e intentar evaluar es el
elemento de aleatoriedad, asociado con la ocurrencia de ciertos eventos cuando se
realiza un experimento. Estos problemas pertenecen al campo de la probabilidad. En
muchos casos debemos ser capaces de resolver un problema de probabilidad
mediante el conteo del número de puntos muestrales en el espacio muestral, sin listar
realmente cada elemento. El principio fundamental del conteo, a menudo denominado
regla de multiplicación.

Regla 1: Si una operación se puede llevar a cabo en n1 formas, y si para cada una de
éstas se puede realizar una segunda operación en n2 formas, entonces las dos
operaciones se pueden ejecutar juntas de n1n2 formas.

Ejemplo: ¿Cuántos puntos muestrales hay en el espacio muestral cuando se lanza un

par de dados una vez? Solución: El primer dado puede caer en cualquiera de n1 = 6
maneras. Para cada una de esas 6 maneras el segundo dado también puede caer en
n2 = 6 formas. Por lo tanto, el par de dados puede caer en n1n2 = (6)(6) = 36 formas
posibles.
 Capítulo I. Introducción a la Teoría de Probabilidad

Ejemplo: Si un miembro de un club que tiene 22 integrantes necesitara elegir un

presidente y un tesorero, ¿de cuántas maneras diferentes se podría elegir a ambos?
Solución: Para el puesto de presidente hay 22 posibilidades en total. Para cada una
de esas 22 posibilidades hay 21 posibilidades de elegir al tesorero. Si utilizamos la
regla de la multiplicación, obtenemos n1 × n2 = 22 × 21 = 462 maneras diferentes.

Regla 2: Si una operación se puede ejecutar en n1 formas, y si para cada una de éstas
se puede llevar a cabo una segunda operación en n2 formas, y para cada una de las
primeras dos se puede realizar una tercera operación en n3 formas, y así
sucesivamente, entonces la serie de k operaciones se puede realizar en n1n2...nk formas.

Ejemplo: Sam va a armar una computadora y para comprar las partes tiene que elegir
entre las siguientes opciones: dos marcas de circuitos integrados, cuatro marcas de
discos duros, tres marcas de memorias y cinco tiendas locales en las que puede
adquirir un conjunto de accesorios. ¿De cuántas formas diferentes puede Sam comprar
las partes? Solución: Como n1 = 2, n2 = 4, n3 = 3 y n4 = 5, hay n1 × n2 × n3 × n4 =
2 × 4 × 3 × 5 = 120 formas diferentes.
 Capítulo I. Introducción a la Teoría de Probabilidad

Con frecuencia nos interesamos en un espacio muestral que contiene como elementos
a todas las posibles ordenaciones o arreglos de un grupo de objetos. Por ejemplo,
cuando queremos saber cuántos arreglos diferentes son posibles para sentar a seis
personas alrededor de una mesa, o cuando nos preguntamos cuántas ordenaciones
diferentes son posibles para sacar dos billetes de lotería de un total de 20. En este
caso los diferentes arreglos se llaman permutaciones. Una permutación es un arreglo
de todo o parte de un conjunto de objetos.

Regla 3: El numero de permutaciones de n objetos es n!, donde: n! = n(n – 1)(n – 2) ···

(3)(2)(1), con el caso especial de 0! = 1.
Ejemplo: Considere las tres letras a, b y c. ¿De cuantas formas estas se pueden arreglar?
Solución: Las permutaciones posibles son: abc, acb, bac, bca, cab y cba, por lo tanto,
vemos que hay 6 arreglos distintos. Si utilizamos la regla 2, podemos llegar a la
respuesta 6 sin listar realmente las diferentes ordenaciones. Hay n1 = 3 opciones para
la primera posición, hay n2 = 2 opciones para la segunda posición y sólo hay n3 = 1
elección para la última posición, lo que da un total de n1n2n3 = (3)(2)(1) = 6
permutaciones. Utilizando la regla 3, n! = 3! = (3)(2)(1) = 6 formas.
 Capítulo I. Introducción a la Teoría de Probabilidad

Regla 4: El número de permutaciones de n objetos distintos tomados de r a la vez es

𝒏! En estas permutaciones el orden importa, es decir, AB ≠BA y
𝒏𝑷𝒓 = por tanto, ambas se cuentas como diferentes.
𝒏−𝒓 !
Ejemplo: En un año se otorgará uno de tres premios (a la investigación, la enseñanza y
el servicio) a algunos de los estudiantes, de un grupo de 25, de posgrado del
departamento de estadística. Si cada estudiante puede recibir un premio como máximo,
¿cuántas selecciones posibles habría?
Solución: El número total de puntos muestrales es
25! 25! 25 ∗ 24 ∗ 23 ∗ 22!
25P3 = = = = 13,800 selecciones.
25 − 3 ! 22! 22!

Las permutaciones que ocurren al arreglar objetos en un círculo se llaman permutaciones

circulares. Dos permutaciones circulares no se consideran diferentes a menos que los objetos
correspondientes en los dos arreglos estén precedidos o seguidos por un objeto diferente,
conforme avancemos en la dirección de las manecillas del reloj. Por ejemplo, si cuatro personas
juegan bridge, consideramos a una persona en una posición fija y arreglamos a las otras tres de 3!
formas, por tanto, encontramos que hay seis arreglos distintos para el juego de bridge.
 Capítulo I. Introducción a la Teoría de Probabilidad

Regla 5: El número de permutaciones de n objetos ordenados en un círculo es (n – 1)!.

Ejemplo: De cuantas formas se pueden sentar 6 personas en una mesa circular?
Solución: (n – 1)! = (6 – 1)! = 5! = (5)(4)(3)(2)(1) = 120 formas.

Hasta ahora hemos considerado permutaciones de objetos distintos. Es decir, todos

los objetos fueron por completo diferentes o distinguibles. Si este no fuera el caso,
utilizaremos la siguiente regla.
Regla 6: El número de permutaciones distintas de n objetos, en el que n1 son de una
clase, n2 de una segunda clase,..., nk de una k-ésima clase es
𝒏!
𝒏𝟏 ! 𝒏𝟐 ! … 𝒏𝒌 !
Con frecuencia nos interesa el número de formas de dividir un conjunto de n objetos
en r subconjuntos denominados celdas. En este caso, la regla 7 establece que: el
número de formas de partir un conjunto de n objetos en r celdas con n1 elementos en la
primera celda, n2 elementos en la segunda, y así sucesivamente, es 𝒏!
𝒏𝟏 ! 𝒏𝟐 ! … 𝒏𝒓 !
 Capítulo I. Introducción a la Teoría de Probabilidad

Ejemplo: Durante un entrenamiento de fútbol americano colegial, el coordinador

defensivo necesita tener a 10 jugadores parados en una fila. Entre estos 10 jugadores
hay 1 de primer año, 2 de segundo año, 4 de tercer año y 3 de cuarto año,
respectivamente. ¿De cuántas formas diferentes se pueden arreglar en una fila si lo
único que los distingue es el grado en el cual están?
Solución: n! 10! 3,628,800
= = = 12,600 formas.
n1 ! n2 ! … nk ! 1! ∗ 2! ∗ 4! ∗ 3! 288

En muchos problemas nos interesamos en el número de formas de seleccionar r

objetos de n sin importar el orden. Tales selecciones se llaman combinaciones. Por
ejemplo, el número de permutaciones de las letras A, B, C, D, tomadas de 2 a la vez
es: AB AC AD BA BC BD CA CB CD DA DB DC. No obstante, en el caso de las
combinaciones, al no importar el orden, se considera que AB = BA y por tanto, se
cuenta como un solo arreglo distinto. Esto implica que el numero de combinaciones
de las 4 letras, tomadas de 2 a la vez es: AB AC AD BC BD CD. Una combinación es
realmente una partición con dos celdas, donde una celda contiene los r objetos
seleccionados y la otra contiene los (n – r) objetos restantes.
 Capítulo I. Introducción a la Teoría de Probabilidad

Regla 8: El número de combinaciones de n objetos distintos tomados de r a la vez es

𝒏!
𝒏𝑪𝒓 =
𝒏 − 𝒓 ! 𝒓!
Ejemplo: Un niño le pide a su madre que le lleve cinco cartuchos de Game-BoyTM de su
colección de 10 juegos recreativos y 5 de deportes. ¿De cuántas maneras podría su
madre llevarle 3 juegos recreativos y 2 de deportes?
El número de formas de seleccionar 3 cartuchos de 10 es:
10! 10! 10 ∗ 9 ∗ 8 ∗ 7! 720
10𝐶3 = = = = = 120
10 − 3 ! 3! 7! 3! 7! (3 ∗ 2 ∗ 1) 6
El número de formas de seleccionar 2 cartuchos de 5 es:
5! 5! 5 ∗ 4 ∗ 3! 20
5𝐶2 = = = = = 10
5 − 2 ! 2! 3! 2! 3! (2 ∗ 1) 2
Si utilizamos la regla 1 de la multiplicación, con n1 = 120 y n2 = 10, tenemos que
hay (120)(10) = 1,200 formas de llevarle 3 juegos recreativos y 2 de deportes de su
colección de juego de Game-BoyTM.
 Capítulo I. Introducción a la Teoría de Probabilidad

El siguiente ejemplo ilustra el uso de reglas de conteo para resolver un problema de

probabilidad: cinco fabricantes producen cierto aparato electrónico, cuya calidad varía
de un fabricante a otro. Si fuéramos a seleccionar tres fabricantes al azar, ¿cuál es la
probabilidad de que la selección contenga exactamente dos de los tres mejores?
El número de formas de seleccionar 3 fabricantes de 5 es:
𝟓! 𝟓! 𝟓 ∗ 𝟒 ∗ 𝟑 ∗ 𝟐! 𝟔𝟎
𝑪
𝟓 𝟑 = = = = = 𝟏𝟎
𝟓 − 𝟑 ! 𝟑! 𝟓! 𝟑! 𝟐! (𝟑 ∗ 𝟐 ∗ 𝟏) 𝟔
El número de formas de seleccionar 2 fabricantes de los 3 mejores es:
𝟑! 𝟑! 𝟑 ∗ 𝟐! 𝟑
𝑪
𝟑 𝟐 = = = = =𝟑
𝟑 − 𝟐 ! 𝟐! 𝟏! 𝟐! 𝟏! 𝟐! 𝟏
El número de formas de seleccionar 1 fabricantes de los 2 peores es:
𝟐! 𝟐! 𝟐 ∗ 𝟏! 𝟐
𝟐𝑪𝟏 = = = = =𝟐
𝟐 − 𝟏 ! 𝟏! 𝟏! 𝟏! 𝟏! 𝟏! 𝟏
𝑪𝟑𝟐 ∗ 𝑪𝟐𝟏 𝟑∗𝟐 𝟔
𝑷 𝒙=𝟐 = = = = 𝟎. 𝟔
𝑪𝟓𝟑 𝟏𝟎 𝟏𝟎
 BIBLIOGRAFÍA
✓ Anderson, D., Sweeney, D., y Williams, T. (2012). Estadística para negocios y
economía. 11 ed. México D.F. México.
✓ Levin, R. y Rubin, D. (2010). Estadística para Administración y Economía. 7ed. Ciudad
de México, México.
✓ Lind, D., Marchal, W., y Wathen, S. (2012). Estadística Aplicada a los Negocios y la
Economía. 15 ed. Ciudad de México, México.
✓ Mendenhall, W., Beaver, R., y Beaver, B. (2010). Introducción a la Probabilidad y
Estadística. 13 ed. Ciudad de México, México.
✓ Triola, M. (2018). Estadística. 12 ed. Ciudad de México, México.
✓ Walpole, R., Myers, R., Myers, S., y Ye, K. (2012). Probabilidad y estadística
para ingeniería y ciencias. 9 ed. Naucalpan de Juárez, México.