Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

UNIDAD TEMÁTICA 2:
CONCEPTOS BÁSICOS DE PROBABILIDAD

CONTENIDOS
Experimento y espacio muestral. Asignación de probabilidades a los
resultados de un experimento. Método clásico, método de frecuencia
relativa, método subjetivo. Eventos y sus probabilidades. Relaciones básicas
de probabilidad: complemento, ley aditiva. Eventos mutuamente
excluyentes. Probabilidad condicional. Eventos independientes. Ley
multiplicativa.

1 INTRODUCCIÓN
Es común en la vida diaria tomar decisiones bajo incertidumbre. Analicemos las
siguientes situaciones:
1. ¿Cuál es la posibilidad de que las ventas disminuyan si aumenta el precio de
un producto?
2. ¿Cuál es la probabilidad de que un nuevo método de ensamble aumente la
productividad?
3. ¿Qué tan probable es que un proyecto termine a tiempo?

Los métodos de mayor eficiencia para manejar tales incertidumbres se basan en

conceptos de probabilidad. En el lenguaje cotidiano, el término probabilidad
indica una medida numérica de la certidumbre de que sucederá determinado
evento. Si consideramos el evento “lloverá mañana” entendemos que cuando el
pronóstico climático indica una probabilidad de lluvia cercana a cero casi no hay
posibilidad de lluvia. Sin embargo, si el pronóstico es de 90% de probabilidad,
sabemos que hay una gran posibilidad, cercana a la certeza, de que llueva.

Control Estadístico de la Calidad Pag. 1

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Los valores de probabilidad siempre se asignan en una escala de 0 a 1. Una

probabilidad cercana a 0 indica que es difícil que un evento ocurra. Una cercana
a 1 indica que es casi seguro que el evento sucederá.
La probabilidad es importante en la toma de decisiones porque suministra un
mecanismo para medir incertidumbre asociada a eventos futuros. También
podemos decir que la probabilidad desempeña un papel más que importante en la
inferencia estadística.

2 EXPERIMENTOS Y ESPACIO MUESTRAL

Veremos a continuación algunos conceptos importantes para desarrollos
posteriores. En probabilidad, el término experimento se define como cualquier
proceso que genere resultados bien definidos. Esto quiere decir que en toda
repetición única del experimento solo ocurrirá uno y solo uno de los resultados
experimentales posibles. A continuación daremos algunos experimentos y sus
resultados posibles.

Experimento Resultado del experimento

Lanzar una moneda
Cara, Sello
Seleccionar una pieza para
inspeccionarla Defectuosa, No defectuosa

Tirar un dado
1, 2, 3, 4, 5, 6

El espacio muestral de un experimento se define como el conjunto de todos los

resultados experimentales posibles. Cualquier resultado particular de un
experimento se llama punto muestral y es un elemento del espacio muestral.
Veamos el experimento de lanzar una moneda. Si S representa el espacio
muestral podemos utilizar la siguiente notación para describir a él y a sus puntos
muestrales

S   Cara, Sello 

Control Estadístico de la Calidad Pag. 2

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Con esta notación, el experimento de seleccionar una pieza para su inspección

tendría el siguiente espacio muestral y los siguientes puntos muestrales

S   Defectuosa, No defectuosa 

3 ASIGNACIÓN DE PROBABILIDADES
Veamos ahora como se pueden determinar las probabilidades de los resultados
de un experimento (puntos muestrales).
Hemos dicho que la probabilidad de un resultado experimental es una medida
numérica de la posibilidad de que ocurra ese resultado. Se pueden utilizar varios
métodos para asignar las probabilidades a los resultados de un experimento. Sin
embargo, independientemente de la forma, se deben satisfacer dos requisitos
básicos:
1. Los valores de probabilidad que se asignen a cada resultado experimental
(punto muestral) deben ser entre 0 y 1. Esto es, si E i representa el resultado

experimental i y P( Ei ) representa su probabilidad, se debe cumplir que

0  P( Ei )  1 para toda i .

2. La suma de todas las probabilidades de los resultados experimentales debe

ser igual a 1. Es decir, si un espacio muestral tiene k resultados
experimentales, se debe cumplir:

P( E1 )  P( E2 )  ...  P( Ek )  i 1 P( Ei )  1
k

Se puede elegir cualquier método para asignar valores de probabilidad a los

resultados de un experimento siempre que se cumplan estos requisitos. En la
práctica se utiliza uno de los tres métodos siguientes:
1. Método clásico
2. Método de frecuencia relativa
3. Método subjetivo

Control Estadístico de la Calidad Pag. 3

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

3.1 MÉTODO CLÁSICO

Para ilustrar este método de asignación de probabilidades veamos el experimento
de lanzar una moneda. En cualquier lanzamiento observaremos uno de dos
resultados posibles: cara o sello. Parece razonable suponer que los dos resultados
son igualmente probables. En consecuencia, bajo este supuesto, lógicamente se
debe llegar a la conclusión de que la probabilidad de obtener una cara es 1 / 2 o
0,5. De igual manera, la probabilidad de obtener un sello es también de 0,5.
En general, si un experimento tiene n resultados igualmente posibles, con el
método clásico se asignaría una probabilidad de 1 / n a cada resultado del mismo.
Consideremos ahora el experimento de arrojar un dado. El espacio muestral de
este experimento es S  1, 2, 3, 4, 5, 6 . Si el dado no está cargado, parece razonable
suponer que cada uno de los resultados son igualmente probables. En
consecuencia a cada uno de los resultados se le asigna una probabilidad de 1 / 6 .
Entonces, si P(1) representa la probabilidad de que aparezca un punto en la cara
superior del dado, tendremos que P(1)  1/ 6 . De igual forma P(2)  1/ 6 , etc.
El método clásico fue desarrollado para analizar problemas de juegos donde
parece razonable suponer la hipótesis de resultados igualmente posibles. Sin
embargo, no siempre es posible sostener esta hipótesis. Para ello se necesitan
otros métodos para asignar probabilidades.

3.2 MÉTODO DE FRECUENCIA RELATIVA

Supongamos que un especialista en control de calidad quiere estimar la
probabilidad de que una pieza fabricada por una máquina sea defectuosa. Para
estimarla, el especialista puede seleccionar una pieza y puede obtener dos
resultados posibles: defectuosa o no defectuosa. Como no hay razón suficiente
para suponer que los dos resultados son igualmente probables no es adecuado el
método clásico para asignar probabilidades.
Supongamos que el especialista toma 400 piezas de la cuales 100 son
defectuosas. Bajo este punto de vista de la probabilidad, se utiliza la frecuencia
relativa como un estimado de la probabilidad de que una pieza sea defectuosa. Es

Control Estadístico de la Calidad Pag. 4

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

decir, la probabilidad de que la pieza sea defectuosa es, según este punto de
vista, 100 / 400  0,25 . En forma parecida, la probabilidad de seleccionar una pieza
y que esta resulte no defectuosa será 300 / 400  0,75 .

3.3 MÉTODO SUBJETIVO

Los dos métodos anteriores para asignar probabilidades no siempre se pueden
utilizar. Hay casos en que los resultados experimentales no son igualmente
probables y en los que no se cuentan con datos de frecuencia relativa.
Por ejemplo, considere un partido de fútbol en donde participará su equipo
favorito. ¿Qué probabilidad tiene su equipo de ganar?
Los resultados ganar, empatar o perder no necesariamente tienen la misma
probabilidad. Si los equipos no se han enfrentado muchas veces en los últimos
tiempos no habrá datos de frecuencia relativa para asignar probabilidades. Así, si
queremos un estimado de la probabilidad de que su equipo favorito gane, deberá
recurrir a una opinión subjetiva para asignar tal posibilidad. Con este método de
asignar probabilidades podemos utilizar cualquier dato disponible y también
nuestra experiencia o intuición. La probabilidad indica el grado de creencia de
que se presente el resultado experimental. No debe extrañar entonces que dos
personas diferentes puedan asignar probabilidades diferentes al mismo evento.

4 EVENTOS Y SUS PROBABILIDADES

Hasta ahora hemos utilizado el término evento tal cual lo hacemos en el lenguaje
cotidiano. Daremos a continuación una definición formal, más de acuerdo con su
uso en estadística.

4.1 EVENTO
Un evento es un conjunto de puntos muestrales. Por ejemplo, suponga el
experimento de lanzar un dado balanceado una vez. Hemos dicho que el espacio
muestral es el siguiente: S  1, 2, 3, 4, 5, 6 . Podemos considerar, entre otros, los
siguientes eventos:

Control Estadístico de la Calidad Pag. 5

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

a. A   2, 4, 6  o A  se obtiene un número par de puntos.

b. B  3, 6  o B  se obtiene un número de puntos múltiplo de 3.

Generalmente, para cada experimento y su subsecuente espacio muestral se

pueden definir una amplia variedad de eventos adicionales. Pero en cada caso, el
evento debe identificarse con un conjunto de puntos muestrales del experimento.

4.2 PROBABILIDAD DE UN EVENTO

La probabilidad de un evento es igual a la suma de las probabilidades de los
puntos muestrales del evento. Por ejemplo, para calcular P(A) , la probabilidad de
obtener un número par de puntos al lanzar un dado, se debe proceder así

1 1 1 3
P( A)      0,5
6 6 6 6

Siguiendo el mismo razonamiento, P(B) , la probabilidad de obtener un número

de puntos múltiplo de 3 se calcula así:

1 1 2
P( B)     0,33
6 6 6

Siempre que se pueda identificar todos los puntos muestrales de un experimento

y asignar sus probabilidades, se puede aplicar la definición anterior para calcular
la probabilidad de un evento. Pero sucede que en algunos experimentos la
cantidad de puntos muestrales es muy grande y la identificación de ellos y de sus
probabilidades puede ser imposible. En las secciones siguientes se presentan
algunas relaciones básicas de probabilidad que pueden ser utilizadas para
calcular la probabilidad de un evento cuando no se conocen las probabilidades de
todos los puntos muestrales.

Control Estadístico de la Calidad Pag. 6

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

5 RELACIONES BÁSICAS DE PROBABILIDAD

5.1 COMPLEMENTO DE UN EVENTO

Dado un evento A , el complemento de A , se define como el evento formado por
todos los puntos muestrales que no están en A . El complemento del evento A se
representa por Ac . La Figura 2.1 es un diagrama, conocido como diagrama de
Venn que ilustra el concepto de complemento. El área rectangular representa el
espacio muestral y como tal contiene todos los puntos muestrales. La figura
cerrada dentro de él representa el evento A . La región sombreada del rectángulo
contiene los puntos muestrales que no están en A y por definición, es el
complemento de dicho evento.

Ac

Figura 2.1

En cualquier problema de probabilidad, debe suceder el evento A o su

complemento Ac .

Por lo tanto
P( A)  P( Ac )  1

Ejemplo 1. Un gerente de ventas, luego de revisar los informes de la empresa,

dice que el 80% de los contactos con nuevos clientes, no resultaron en venta
alguna. Si se define a A como el evento de una venta y Ac el de no venta, lo que
el gerente dice es que P( Ac )  0,80 . Por lo tanto P( A)  1  P( Ac )  1  0,80  0,20 .

Control Estadístico de la Calidad Pag. 7

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Luego, la probabilidad de que se haga una venta al entrar en contacto con un

nuevo cliente es 0,20; o que hay un 20% de posibilidades de que se realice una
nueva venta.

5.2 LEY ADITIVA

La ley aditiva es útil cuando se tienen dos eventos y se quiere conocer la
probabilidad de que ocurra al menos uno de ellos. Es decir, con los eventos A y
B nos interesa conocer la probabilidad de que suceda el evento A , o el B o
ambos. Antes de presentar la ley aditiva, necesitamos analizar dos conceptos
relacionados con la combinación de eventos, la unión y la intersección.

5.3 UNIÓN DE EVENTOS

Dados dos eventos A y B , la unión de A y B es el evento que contiene todos los
puntos muestrales que pertenecen a A o a B o a ambos. La unión de A y B se
representa con A  B . El diagrama de Venn de la figura 2.2 muestra la unión de
A y B.

A B

Figura 2.2

Los dos círculos contienen todos los puntos muestrales del evento A y los puntos
muestrales del evento B . Cuando los círculos se solapan indica que algunos
puntos muestrales están contenidos tanto en A como en B al mismo tiempo.

5.4 INTERSECCIÓN DE DOS EVENTOS

Dados dos eventos A y B , la intersección de A y B es el evento que contiene los
puntos muestrales que pertenecen simultáneamente a A y B . Se representa por
A B .

Control Estadístico de la Calidad Pag. 8

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

El diagrama de la figura 2.3 representa A  B . El área donde se traslapan los

círculos es la intersección; contiene los puntos muestrales que están en A y
también en B .

A B

Figura 2.3

Continuemos con la ley aditiva. Esta ley nos proporciona una forma de calcular la
probabilidad de que ocurra el evento A o el B, o ambos. En otras palabras, esta
ley se utiliza para calcular la probabilidad de la unión de los eventos A y B. Se
enuncia como sigue:
P( A  B)  P( A)  P( B)  P( A  B)

Para captar intuitivamente esta ley, observe que P( A)  P( B) se asocia con todos
los puntos muestrales en A  B . Sin embargo, como los puntos muestrales en la
intersección A  B están en A y B al mismo tiempo, al calcular P( A)  P( B) ,
contamos dos veces dicha intersección. Al restar P( A  B) corregimos el doble
conteo.

Ejemplo 2. Consideremos el caso de una ensambladora con 50 empleados.

Se espera que cada trabajador termine a tiempo sus labores de trabajo además de
que el producto armado pase una inspección general. A veces, alguno de los
trabajadores no puede cumplir con los estándares de desempeño porque termina
su trabajo tarde y/o arma productos defectuosos. Al terminar un período de
evaluación de desempeño, el gerente de producción vio que 5 de los 50
trabajadores había terminado tarde su trabajo, y que 6 de los 50 había armado

Control Estadístico de la Calidad Pag. 9

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

productos defectuosos y que 2 habían terminado el trabajo tarde y también

habían armado productos defectuosos. Sea
L = el evento de que el trabajo se termine tarde.
D = el evento de que el producto armado es defectuoso.

Tenemos las siguientes probabilidades según el criterio de frecuencia relativa

P( L)  5 / 50  0,10
P( D)  6 / 50  0,12
P( L  D)  2 / 50  0,04

Luego de revisar los datos, el gerente optó por asignar una mala calificación de
desempeño al empleado cuyo trabajo se presentara tarde o fuera defectuoso.
Luego, el evento de interés es L  D . ¿Qué probabilidad hay de que se asigne una
mala calificación a un empleado elegido al azar?

Solución: Desde el punto de vista probabilístico, la cuestión se relaciona con la

unión de los eventos. Es decir, se quiere calcular P( L  D) .
Luego

P( L  D)  P( L)  P( D)  PL  D)
P( L  D)  0,10  0,12  0,04  0,18

Es decir, hay una probabilidad de 0,18 de que un empleado reciba una mala
calificación de desempeño.

5.5 EVENTOS MUTUAMENTE EXCLUYENTES

Se dice que dos eventos son mutuamente excluyentes si no tienen puntos
muestrales en común. Esto es, los eventos A y B son mutuamente excluyentes si,
cuando ocurre uno, el otro no puede ocurrir. Así, un requisito para que A y B
sean mutuamente excluyentes es que su intersección no debe contar con puntos
muestrales. En el diagrama de Venn de la figura 2.4 se muestran dos eventos
mutuamente excluyentes.

Control Estadístico de la Calidad Pag. 10

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

A B

Figura 2.4

Como en este caso P( A  B)   , la ley aditiva puede expresarse de la siguiente

manera: P( A  B)  P( A)  P( B) .

Ejemplo 3. Suponga que se lanza un dado. El espacio muestral es, como ya

dijimos S  1, 2, 3, 4, 5, 6 . Considere los siguientes eventos:

A = se obtiene dos puntos o menos, es decir A  1, 2 

B = se obtiene cuatro puntos o más, es decir B   4, 5, 6 

Evidentemente los eventos son mutuamente excluyentes. Además tenemos que
A  B  1, 2, 4, 5, 6 . Por lo tanto
2 3 5
P( A  B)  P( A)  P( B)     0,83
6 6 6

Al arrojar un dado la probabilidad de obtener 2 o menos o 4 o más es 0,83.

6 PROBABILIDAD CONDICIONAL
Con frecuencia, la probabilidad de un evento se ve influenciada por la ocurrencia
(o no ocurrencia) de otro evento relacionado. Sea el evento A con probabilidad
P(A) . Si obtenemos nueva información y vemos que ha ocurrido un evento
representado por B, quisiéramos aprovechar esta información para calcular una
nueva probabilidad del evento A. Esta nueva probabilidad, se representa por
P( A / B) . La notación “/” indica que se considera la probabilidad del evento A
dada la condición de que ha ocurrido el evento B. En consecuencia, la notación
P( A / B) se lee “la probabilidad de A dado B”.

Control Estadístico de la Calidad Pag. 11

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Como un ejemplo de aplicación de la probabilidad condicional veamos el caso de

promoción de empleados hombres y mujeres de una empresa. La fuerza laboral
está formada por 1.200 empleados, 960 hombres y 240 mujeres. Los dos últimos
años fueron ascendidos 324 empleados. La tabla 2.1 muestra el detalle específico
de ascensos de hombres y mujeres.

Tabla 2.1

Ascensos en la empresa durante los dos últimos años

Hombres Mujeres Totales
Ascendidos 288 36 324
No ascendidos 672 204 876
Totales 960 240 1.200

Luego de revisar el registro de promociones, un comité de empleadas mujeres,

interpuso una queja a la gerencia por discriminación con base en que 288
empleados hombres habían recibido un ascenso, mientras que solo 36 mujeres
habían sido promovidas. La gerencia contestó que la cantidad relativamente baja
de ascensos femeninos no se debió a discriminación, sino a la cantidad
relativamente reducida de empleadas mujeres. Veamos como podemos utilizar la
probabilidad condicional para analizar la demanda por discriminación.
Sean
M = evento de que el empleado es hombre
W = evento de que el empleado es mujer
A = evento de que el empleado es ascendido
Ac = evento de que el empleado no es ascendido

Podemos calcular las siguientes probabilidades:

P(M  A)  288 /1200  0,24 = probabilidad de que un empleado elegido al azar sea
hombre y también ascendido.
P(M  Ac )  672 / 1200  0,56 probabilidad de que un empleado elegido al azar sea
hombre y también que no sea ascendido.

Control Estadístico de la Calidad Pag. 12

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

P(W  A)  36 / 1200  0,03  probabilidad de que un empleado elegido al azar sea

mujer y también ascendido.
P(W  Ac )  204 / 1200  0,17  probabilidad de que un empleado elegido al azar sea
mujer y también que no sea ascendido.
Cada uno de estos valores expresa la probabilidad de la intersección de dos
eventos, las probabilidades se llaman probabilidades conjuntas. La tabla 2.2
resume toda la información y recibe el nombre de tabla de probabilidades
conjunta.

Tabla 2.2

Tabla de probabilidades conjunta de ascensos

Hombres (M) Mujeres (W) Totales
Ascendidos (A) 0,24 0,03 0,27
No ascendidos (A )
c 0,56 0,17 0,73
Totales 0,80 0,20 1,00

Los valores en los márgenes de la tabla de probabilidad conjunta muestran por

separado las probabilidades de cada evento. Esto es, P(M )  0,80 ; P(W )  0,20 ;

P( A)  0,27 y P( Ac )  0,73 . Estas probabilidades se llaman probabilidades

marginales por su ubicación en los márgenes de la tabla de probabilidades
conjunta. Observe que P( A)  P( A  M )  P( A  W )  0,24  0,03  0,27 .
Comencemos con el análisis de las probabilidades condicionales calculando la
probabilidad de que un empleado sea ascendido dado que es hombre. Es decir, lo
que tratamos de calcular es P( A / M ) . Esto nos indica que ahora solo nos
ocuparemos sobre la promoción de 960 empleados hombres. Como 288 de los
960 empleados hombres fueron ascendidos, la probabilidad de ser promovido,
cuando el empleado es hombre es 288/960 = 0,30. Hay otra forma de calcular
esta probabilidad. Analizando la tabla 2.1 hagamos el cálculo P( A  M ) / P(M ) .
Al hacerlo obtenemos
P( A  M ) 0,24
  0,30
P( M ) 0,80

Control Estadístico de la Calidad Pag. 13

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

que coincide con el resultado anterior. Este hecho no es casual por lo que se
puede decir que
P( A  M )
P( A / M ) 
P( M )

El hecho de que se puedan calcular las probabilidades condicionales como la

relación de una probabilidad conjunta y una probabilidad marginal justifica la
siguiente ecuación general de los cálculos de probabilidad condicional para dos
eventos A y B.

6.1 PROBABILIDAD CONDICIONAL

Sean A y B dos eventos, entonces

P( A  B)
P( A / B) 
P( B)

P( A  B)
P( B / A) 
P( A)

Calculemos ahora la probabilidad de que un empleado elegido al azar sea

ascendido dado que el empleado sea mujer. Es decir, se quiere calcular P( A / W ) .
Tendremos
P( A  W ) 0,03
P( A / W )    0,15
P(W ) 0,20

¿Cuál es su conclusión?. La probabilidad de una promoción, dado que el

empleado es hombre es de 0,30, el doble de la probabilidad 0,15 de una
promoción dado que el empleado es mujer. Si bien el empleo de la probabilidad
condicional no demuestra por si mismo que exista discriminación en este caso,
los valores de probabilidad si pueden respaldar la demanda presentada por el
comité de empleadas.

Control Estadístico de la Calidad Pag. 14

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

7 EVENTOS INDEPENDIENTES
En el ejemplo anterior vimos que P( A)  0,27 mientras que P( A / M )  0,30 y que
P( A / W )  0,15 . Se ve que la probabilidad de un ascenso (evento A) se ve afectada o
influida por el hecho de que el empleado sea hombre o mujer. Como
P( A / M )  P( A) diremos que los eventos A y M son dependientes. Esto quiere decir
que la probabilidad del evento A (ascenso) se altera o cambia con la ocurrencia (o
no ocurrencia) de M (el evento es hombre). De la misma manera, como
P( A / W )  P( A) diremos que los eventos A y W son también dependientes.
Si no cambia la probabilidad del evento A por la ocurrencia del evento M, esto es,
si P( A / M )  P( A) diremos que los eventos A y M son independientes. Daremos a
continuación la definición de independencia de eventos

Definición. Dos eventos A y B son independientes si

P( A / B)  P( A)
o si
P( B / A)  P( B)

De lo contrario los eventos son dependientes.

8 LEY MULTIPLICATIVA
Como hemos visto, la ley aditiva de la probabilidad se utiliza para determinar la
probabilidad de la unión de dos eventos. Ahora veremos que la ley multiplicativa
se utiliza para determinar la probabilidad de la intersección de dos eventos.
Hemos visto que

P( A  B)
P( A / B) 
P( B)

Por lo tanto P( A  B)  P( B) P( A / B) . De la misma manera se puede demostrar que

P( A  B)  P( A).P( B / A) .

Control Estadístico de la Calidad Pag. 15

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Ejemplo 4. El departamento de ventas de un diario sabe que el 84% de las

familias de una ciudad tiene una suscripción para recibir el diario de lunes a
sábado. Si D es el evento de que una familia tiene esta suscripción entonces
P( D)  0,84 .

Se sabe que la probabilidad de que una familia, cuya suscripción, además de ser
de lunes a sábado, también se suscriba a la edición dominical (evento S) es 0,75.
Esto es P(S / D)  0,75 . ¿Cuál es la probabilidad de que la suscripción de un
familia incluya tanto la edición dominical como a la de lunes a sábado?
Solución: En definitiva, lo que se busca calcular es P(S  D) .
Como P(S  D)  P( D) P(S / D) , entonces:

P(S  D)  (0,84)(0,75)  0,63 .

Sabemos ahora que el 63% de las familias tienen una suscripción a las ediciones
dominical y entre semana.
Para terminar, estudiaremos el caso de la ley multiplicativa cuando los eventos
implicados en ella son independientes.
Recordemos que dos eventos A y B son independientes siempre y cuando
P( A / B)  P( A) o P( B / A)  P( B) . Luego, bajo esta suposición

P( A  B)  P( A) P( B / A)  P( A) P( B)
o
P( B  A)  P( B) P( A / B)  P( B) P( A)

Para el caso especial de los eventos independientes tenemos la siguiente ley

multiplicativa.

8.1 LEY MULTIPLICATIVA PARA EVENTOS INDEPENDIENTES

Si los eventos A y B son independientes, entonces

P( A  B)  P( A) P( B)

Control Estadístico de la Calidad Pag. 16

 Universidad Nacional de Misiones

ESPECIALIZACIÓN EN GESTIÓN DE PRODUCCIÓN Y AMBIENTE

Por lo tanto, si P( A  B)  P( A) P( B) entonces los eventos A y B son dependientes.

Ejemplo 5. El administrador de una estación de servicios sabe, de acuerdo a su

experiencia, que el 80% de los clientes usan tarjeta de crédito para comprar
nafta. ¿Cuál es la probabilidad de que los dos clientes siguientes que compren
nafta usen tarjeta de crédito?
Solución: Tenemos los siguientes eventos
A  el evento de que el primer cliente use tarjeta de crédito.
B  el evento de que el segundo cliente use tarjeta de crédito.

El evento de interés es ( A  B) . Parece lógico suponer que los eventos son

independientes. Por lo tanto

P( A  B)  P( A) P( B)  (0,80)(0,80)  0,64

Luego, la probabilidad de que los dos próximos clientes utilicen tarjeta de crédito
para comprar nafta es de 0,64 de acuerdo con la experiencia del administrador.

Control Estadístico de la Calidad Pag. 17