Probabilidades PDF

Introducción a la Probabilidad, los Procesos Estocásticos y la Estadística en Ingeniería
CAPÍTULO 2
Probabilidad: Definiciones y Teoremas
Contenido del Capítulo
2.1) INTRODUCCIÓN.
2.2) ESPACIO MUESTRAL DE UN EXPERIMENTO ALEATORIO.
2.3) EVENTOS.
2.4) DEFINICIONES DE PROBABILIDAD.

2.4.1) Definición de Frecuencias Relativas.
2.4.2) Definición Clásica.
2.4.3) Definición Subjetiva.
2.5) AXIOMAS DE PROBABILIDAD.

2.5.1) Cálculo de Probabilidades en un Espacio Muestral Discreto y Finito.
2.6) PROBABILIDAD CONDICIONAL.
2.7) PROBABILIDAD TOTAL.
2.8) TEOREMA DE BAYES.
2.9) EVENTOS INDEPENDIENTES.
2.10) EXPERIMENTOS COMPUESTOS.
2.11) PRUEBAS DE BERNOULLI.
2.12) PROBLEMAS PROPUESTOS.
APÉNDICE 2.1: RESUMEN DE TEORÍA DE CONJUNTOS.
APÉNDICE 2.2: RESUMEN DE TÉCNICAS DE CONTEO.
Rafael Díaz Página 2-1 15/10/03

2.1) INTRODUCCIÓN.
El objeto de la investigación científica es obtener información suficiente para poder

predecir el comportamiento del fenómeno que se está analizando. Esta predicción se
realiza por medio de modelos. En la medida en que se tenga mayor y mejor
información el modelo tendrá mayor validez.
El primer paso de la investigación es conocer la naturaleza del fenómeno, es decir,

si el fenómeno es determinista o aleatorio.
Siempre y cuando se pueda repetir un experimento bajo las mismas condiciones y se

obtenga los mismos resultados se estará en presencia de un fenómeno de naturaleza
determinista. Así, serán fenómenos deterministas los siguientes:
- El modelo matemático de la ley de Ohm.

- Las leyes de Kepler.
- Las leyes gravitacionales de Newton.
Ahora bien, no siempre es posible repetir un experimento bajo las mismas

condiciones y, más aún, no siempre los resultados son los mismos. Esto es lo que
define un fenómeno de naturaleza aleatoria. La Figura 2.1 resume la naturaleza de
un experimento aleatorio y sus posibles resultados. En la sección 1.2 se presentaron
diversos ejemplos de fenómenos o experimentos aleatorios de índole general, a
continuación se presentan algunos fenómenos más específicos en áreas de la
ingeniería.
- Demanda de energía eléctrica de una ciudad.

- Terremotos.
- Cambios climáticos.
- Especificaciones de piezas en una línea de producción.
- Transmisión de códigos binarios en un sistema de comunicaciones.
- Cambios térmicos en un reactor químico.
- Precios de las acciones de una compañía telefónica.
Figura 2.1: Experiencia Aleatoria y sus Protagonistas.

Formalmente, usaremos la siguiente definición para un experimento aleatorio.
Definición 2.1: Un experimento aleatorio es aquel en el cual no se puede

predecir el resultado del experimento antes de realizarlo.
♦♦
En este capítulo se desarrollaran las bases para estudiar estos fenómenos o

experimentos aleatorios. En los siguientes capítulos se aprovechará más a fondo el
aspecto matemático asociado a estos fenómenos para profundizar y generalizar el
conocimiento probabilístico mediante la definición del concepto de variable
aleatoria.
2.2) ESPACIO MUESTRAL DE UN EXPERIMENTO ALEATORIO.
Si bien no es posible predecir el resultado de un experimento aleatorio, siempre

debe ser posible conocer todos los resultados de ese experimento. Este hecho da pie
a la definición de espacio de resultados o espacio muestral del experimento
aleatorio.
Definición 2.2: El espacio muestral de un experimento aleatorio es el conjunto de

todos los posibles resultados de ese experimento.
♦♦
Notas: - Al espacio muestral se le conocerá con la notación S. Esta es una

convención bastante extendida que viene del término en inglés
Sample space.
- El espacio muestral es un conjunto. Particularmente, el conjunto
S es equivalente al conjunto universal U.
Dada la importancia que tiene la teoría de conjuntos dentro de la teoría de

probabilidades se ha dedicado el Apéndice 2.1, al final de este capítulo, para
recordar aquellos conceptos básicos de interés asociados con conjuntos. Por tanto,
varias de las siguientes definiciones son una extensión de conceptos propios de la
teoría de conjuntos a la teoría de probabilidades.
Definición 2.3: Un espacio muestral de un experimento aleatorio es discreto y

finito si el número total de resultados de ese experimento es un número finito.
♦♦
Notas: - Como espacio muestral discreto los posibles resultados pueden

asociarse al conjunto de los números enteros o a los naturales.
- Como espacio muestral finito el número de resultados es un
número natural menor que infinito.

Definición 2.4: Un espacio muestral de un experimento aleatorio es discreto e

infinito numerable si el número total de resultados de ese experimento es un
número infinito pero se pueden ordenar en una sucesión.
♦♦
Notas: - Como espacio muestral discreto los posibles resultados pueden

asociarse al conjunto de los números enteros o a los naturales.
- Como espacio muestral infinito numerable el número de
resultados es infinito.
Definición 2.5: Un espacio muestral de un experimento aleatorio es continuo si el

número total de resultados de ese experimento es un número infinito que no se
pueden ordenar en una sucesión.
♦♦
Nota: - En un espacio muestral continuo los posibles resultados pueden

asociarse al conjunto de los números reales o a un intervalo de
números reales.
Ejemplo 2.1: En el experimento aleatorio de lanzar una moneda los posibles

resultados son cara y sello. Luego S ={cara, sello}. Este espacio muestral es discreto
y finito, tiene dos posibles resultados.
♦♦
Ejemplo 2.2: Una generalización del experimento aleatorio de lanzar una moneda
es aquel donde existen sólo dos posibles resultados: verdadero o falso, éxito o
fracaso, defectuoso o no defectuoso, si o no, varón o hembra, etc. En este caso, el
espacio muestral es discreto y finito ya que tiene dos posibles resultados.
♦♦
Ejemplo 2.3: En el experimento aleatorio de lanzar un dado los posibles resultados

son cada una de las seis caras del dado. Luego el espacio muestral podría escribirse
como
S ={Cara i / i = 1, 2, 3, 4, 5, 6}
Este espacio muestral es discreto y finito ya que tiene seis posibles resultados.
♦♦
Ejemplo 2.4: Considere el experimento aleatorio de observar el número de

personas que entra a un banco durante un periodo de una hora. El espacio muestral
para este experimento puede escribirse como
S ={n / n = 1, 2, ….,}
Este espacio muestral es discreto e infinito numerable.

♦♦

Ejemplo 2.5: Considere el experimento aleatorio de lanzar dos dados donde el

resultado es el número de puntos en la cara superior de cada dado. Luego el espacio
muestral podría escribirse como el producto cartesiano del conjunto S del Ejemplo
2.3 con él mismo, es decir
S ={(i, j) / i, j = 1, 2, 3, 4, 5, 6}
Este espacio muestral es discreto y finito ya que tiene treinta y seis posibles
resultados. A diferencia de los anteriores, en este ejemplo el espacio muestral es
bidimensional.
♦♦
Ejemplo 2.6: Considere el experimento aleatorio de medir el voltaje entre un cierto

punto y tierra en el circuito de un receptor de radio. Luego el espacio muestral
podría escribirse como
S ={v / 0 ≤ v ≤ vMAX}
Este espacio muestral es continuo ya que el voltaje puede tomar cualquier valor real
en el intervalo indicado.
♦♦
Ejemplo 2.7: Considere el experimento aleatorio de lanzar la jabalina en una

competencia atlética. Luego el espacio muestral que corresponde a un lanzamiento
válido podría escribirse como
S ={d / 0 ≤ d ≤ dMAX}
Este espacio muestral es continuo ya que la distancia puede tomar cualquier valor
real en el intervalo indicado.
♦♦
Ejemplo 2.8: Considere el experimento aleatorio de escoger un número aleatorio

entre cero y uno en un computador. Luego el espacio muestral podría escribirse
como
S ={r / 0 ≤ r ≤ 1}
Este espacio muestral es continuo ya que el valor escogido puede ser cualquier valor
real en el intervalo indicado.
♦♦

2.3) EVENTOS.
Una vez que se conoce el espacio muestral del experimento aleatorio se inicia un
proceso de separación en grupos de los resultados que guarden cierta característica
común. Estos grupos de resultados son subconjuntos del espacio muestral y se les
asignará un nombre específico: evento.
Definición 2.6: Un evento es cualquier subconjunto dentro del espacio muestral.

♦♦
Notas: - A los eventos se les conocerá con la notación de las primeras

letras del abecedario en mayúscula como, por ejemplo, A, B, C.
- Un evento es un conjunto.
- Los elementos de un evento son resultados del experimento
aleatorio.
Definición 2.7: El evento complemento del evento A es un subconjunto que

contiene los resultados que no están en el evento A.
♦♦
Notas: - El evento complemento de A se conocerá con la notación A .

Algunos autores usan las notaciones A’ o Ac para indicar el
complemento del evento A.
- Los eventos A y A no tienen resultados comunes.
Las definiciones que siguen buscan establecer una suerte de clasificación de los
eventos. Si bien un conjunto se puede escribir de diversas maneras tiene mucho
interés para el estudio que se quiere desarrollar el poder expresar el espacio muestral
en términos de los eventos que contengan un único resultado.
Definición 2.8: Un evento elemental es un evento que contiene solamente un

resultado del experimento aleatorio.
♦♦
Notas: - Es de mucho interés expresar el espacio muestral en función de

los eventos elementales que lo conforman.
- En un espacio muestral finito es posible conocer el número de
eventos elementales que están presentes.
- En un espacio muestral infinito numerable se tienen infinitos
eventos elementales.
- En un espacio muestral continuo también se tiene un número
infinito de eventos elementales.
Definición 2.9: Un evento compuesto es un evento que contiene más de un


♦♦
Nota: - Un evento compuesto está conformado de varios eventos

elementales.
Definición 2.10: El evento seguro es un evento que contiene todos los resultados
del experimento aleatorio.
♦♦
Definición 2.11: El evento imposible es un evento que no contiene ningún

♦♦
Notas: - El evento seguro es el espacio muestral S.

- El evento imposible es el conjunto vacío φ.
Ejemplo 2.9: En el Ejemplo 2.3 se describe el espacio muestral del experimento

aleatorio de lanzar un dado. Este espacio muestral finito tiene seis eventos
elementales pero se podrían definir, perfectamente, los siguientes eventos
compuestos:
A ={Cara i / i par}, B ={Cara i / i impar},

C ={Cara i / i > 4}, D ={Cara i / i < 3}
♦♦
Ejemplo 2.10:En el Ejemplo 2.5 se describe el espacio muestral del experimento

aleatorio de lanzar dos dados. Este espacio muestral finito tiene treinta y seis
eventos elementales pero se podrían definir, perfectamente, los siguientes eventos
compuestos:
A ={(i, j) / i par}, B ={(i, j) / i, j sean impares},

C ={(i, j) / i + j > 4}, D ={(i, j) / i – j = 3}
♦♦
Ejemplo 2.11:Sea el experimento aleatorio de lanzar dos monedas. El espacio

muestral de este experimento puede expresarse en términos de sus resultados
elementales pero es posible confundirlos con otro grupo de eventos que no sean
elementales, por ejemplo, se podría decir que el espacio muestral es S = {cero caras,
una cara, dos caras}. Efectivamente, este grupo de eventos describe el espacio
muestral del experimento pero ellos no son eventos elementales. El espacio
muestran, descrito en términos de los eventos elementales es igual a S = {(c,c), (c,s),
(s,c), (s,s)}. Aquí se puede observar que el evento ‘que ocurra una cara’ está
compuesto por dos resultados elementales.
♦♦

Una manera de conseguir eventos compuestos es realizando operaciones con

eventos; por ejemplo, al realizar la unión de dos resultados elementales se consigue
un evento compuesto que está formado por los dos resultados elementales. Pero,
¿qué sucede al realizar la intersección de dos eventos elementales?. La solución a
esta pregunta es el evento imposible, ya que esa intersección es vacía. Este hecho
lleva a formular la siguiente definición.
Definición 2.12: Si dos eventos tienen intersección vacía, entonces se les llama
eventos mutuamente excluyentes.
♦♦
Notas: - Todos los eventos elementales son mutuamente excluyentes.

- Un evento y su complemento son mutuamente excluyentes ya
que no tienen ningún resultado en común.
2.4) DEFINICIONES DE PROBABILIDAD.
Un experimento aleatorio proporciona incertidumbre acerca del resultado que se

obtendrá al realizar la experiencia. Esa es la naturaleza aleatoria de la que se ha
estado hablando a través de este capítulo. Aquí es donde cabe la pregunta de cómo
medir la incertidumbre. La siguiente definición permite comenzar a formalizar el
uso de la palabra probabilidad asociada con los experimentos aleatorios.
Definición 2.13: A la manera de cuantificar la incertidumbre que existe en un

experimento aleatorio se le conocerá como probabilidad.
♦♦
Notas: - Esta definición sólo busca iniciar la explicación de lo que se

entiende por probabilidad.
- Cualquiera sea la manera de interpretar el concepto
probabilidad, siempre estará asociada al experimento aleatorio.
- La probabilidad puede verse como una relación matemática que
asigna a cada resultado del experimento aleatorio un número
real. Esta sería una mera asignación matemática de lo
observado.
- A la probabilidad de un evento A se le denotará P(A).
Ahora bien, sin intentar hacer un estudio filosófico profundo, valdría la pena revisar
las primeras explicaciones que se conocen acerca de la definición de probabilidad.
2.4.1) Definición de Frecuencias Relativas.
La definición de frecuencias relativas se basa en la repetición del experimento

aleatorio. Esta repetición debe ser bajo las mismas condiciones para poder eliminar
posibles influencias externas que alteren los resultados que se espera obtener. Al

repetir el experimento estaremos interesados en observar la ocurrencia o no de un

evento en particular. Sea n el número de veces que se repite el experimento
aleatorio y sea nA el número de veces que ocurre el evento A en esas repeticiones.
Evidentemente, nA debe ser menor o igual a n. La relación entre estas cantidades se
conoce como la frecuencia relativa de ocurrencia del evento A, es decir,
nA
fA = (ec. 2.1)
n
Está claro que fA depende del número de repeticiones del experimento y en la
medida que aumenta n resulta que el valor de fA se estabiliza. El fenómeno anterior
se conoce como regularidad estadística y es la clave para establecer una definición
de probabilidad con base en la frecuencia relativa de ocurrencia del evento A.
Definición 2.14: Sea un experimento aleatorio que se va a repetir n veces y sea nA

el número de esas veces que ocurre el evento A, entonces se conocerá como
probabilidad del evento A (versión de frecuencias relativas) al límite cuando n
tiende a infinito de la frecuencia relativa de A.
♦♦
Notas: - La probabilidad del evento A se define mediante la ecuación

2.2.
- La ecuación 2.2 no es práctica para calcular la probabilidad de
A. En su defecto, debe usarse la ecuación 2.3.
- La ecuación 2.3 no conduce a un único resultado ya que
depende de la repetición del experimento aleatorio.
- La ecuación 2.3 depende de una apreciación del analista;
‘cuando n es grande’ no es una condición muy precisa.
- La definición 2.14 depende de que es posible la repetición del
experimento aleatorio. Hay experiencias aleatorias donde no se
tiene dominio ni siquiera para realizar la experiencia una
primera vez.
- La definición 2.14 depende de que ocurra el evento A un cierto
número de veces. ¿Qué pasa si el evento A no ocurre en las n
repeticiones?. ¿Tiene probabilidad cero?.
nA
P ( A) = lim f A = lim (ec. 2.2)
n→∞ n →∞ n
nA
P( A) ≈ cuando n es grande (ec. 2.3)
n

Entre las notas que se presentan para la definición 2.14 aparecen varias
observaciones bastantes lapidarias de la definición que implican restricciones que se
debe tomar en cuenta cuando se pretende utilizar esta definición de frecuencias
relativas. La Figura 2.2 muestra dos ejercicios de evaluar fA para dos experimentos
aleatorios y un número total de pruebas distinto. En cada gráfica se muestra el valor
que se esperaría sea el del valor límite para la ecuación 2.3.
Figura 2.2 Gráficas de fA para dos experimentos aleatorios.
2.4.2) Definición Clásica.
La definición clásica se basa en el análisis del espacio muestral del experimento

aleatorio. Aquí interesa conocer el número de formas distintas como puede ocurrir
el evento A y el número de formas distintas como puede ocurrir el espacio muestral.
La relación entre estas dos cantidades define la probabilidad.
Definición 2.15: Sea un experimento aleatorio cuyo espacio muestral está

conformado por NS resultados elementales y sea un evento A conformado por NA
resultados elementales, entonces se conocerá como probabilidad del evento A
(versión clásica) a la relación entre NA y NS.
♦♦
Notas: - La probabilidad del evento A se define y se calcula mediante la

ecuación 2.4.
- Para establecer la definición clásica no es necesario realizar el
experimento, sólo analizar los posibles resultados.
- El espacio muestral del experimento debe ser discreto y finito.
- Esta definición no es aplicable cuando el espacio muestral es
discreto e infinito numerable. En este caso NS es infinito y la
relación de la ecuación 2.4 pierde sentido.
- Esta definición tampoco es aplicable cuando el espacio muestral
es continuo. En este caso, NS es infinito pero NA también lo será

y la relación de la ecuación 2.4 se convierte en un límite que

podría tener convergencia a un valor finito.
- Esta definición implica que eventos con el mismo número de
resultados elementales tienen igual probabilidad.
- Como consecuencia de la nota anterior, se puede decir que
cualquier evento elemental tienen una probabilidad de
ocurrencia de 1/NS. Dicho en otras palabras, los eventos
elementales son equiprobables.
NA
P ( A) = (ec. 2.4)
NS
Con base en el principio de equiprobabilidad presentado en las notas de la

definición 2.15 es posible extender la definición clásica a un espacio muestral
continuo.
Definición 2.16: Sea un experimento aleatorio cuyo espacio muestral es continuo,

sea LS la longitud del espacio muestral y sea LA la longitud del evento A, entonces
se conocerá como probabilidad del evento A (versión clásica) a la relación entre
LA y LS.
♦♦
Notas: - La probabilidad del evento A se define y se calcula mediante la

ecuación 2.5.
- El espacio muestral del experimento, en este caso por supuesto,
debe ser continuo.
- Esta definición no es aplicable cuando la longitud del espacio
muestral es infinita. En ese caso, la relación de la ecuación 2.5
pierde sentido.
- Eventos con igual longitud tienen igual probabilidad; no importa
su ubicación relativa dentro del dominio. Este es el principio de
equiprobabilidad.
LA
P ( A) = (ec. 2.5)
LS
Utilizando el principio de equiprobabilidad es posible extender la definición clásica

a un espacio muestral bidimensional o de mayor dimensión. En el caso
bidimensional, se diría que aquellos eventos que ocupen igual área dentro del
espacio muestral tiene igual probabilidad (calculada en términos de la ecuación 2.6)
de ocurrencia sin tomar en cuenta la ubicación de esos eventos.
AA
P ( A) = (ec. 2.6)
AS

Ejemplo 2.12:Para el experimento aleatorio de lanzar un dado y verificar cuántos

puntos hay en su cara superior, se consiguió en el Ejemplo 2.3 que hay seis
resultados elementales. Entonces, la probabilidad de cada uno de esos resultados
elementales es 1/6.
Sea el evento A = {que la cara superior tenga un número par de puntos}. Entonces,
el evento A ocurre de 3 formas distintas, luego
NA 3
P ( A) = = = 0.5
NS 6
♦♦
Ejemplo 2.13:Sea el experimento aleatorio de escoger una carta al azar de un mazo

de 40 cartas españolas.
Nota: - Este ejemplo permite aclarar la frase ‘escoger al azar’ que

se usa en el lenguaje común pero que en probabilidades tiene una
connotación particular. Esta frase se utilizará como un sinónimo de
la frase ‘los eventos elementales son equiprobables’.
Al analizar el espacio muestral se deduce que hay 40 resultados elementales (cada

una de las cartas del mazo). Entonces, la probabilidad de escoger una carta al azar
digamos, el as de espadas, es 1/40.
Sea el evento B = {la carta escogida es de espadas}. Entonces, el evento B ocurre de

10 formas distintas, luego
N B 10
P( B) = = = 0.25
N S 40
♦♦
Ejemplo 2.14:Sea el experimento aleatorio de observar el instante en que ocurre

una llamada telefónica durante el intervalo de tiempo (0, T).
Sean los eventos A = {la llamada ocurre en el intervalo (0, t1)} y

B = {la llamada ocurre en el intervalo (t1, t2), 0 ≤ t1 < t2 ≤ T} . Entonces,
L A t1 − 0 t1 L B t 2 − t1
P ( A) = = = y P( B) = =
LS T − 0 T LS T
♦♦
Ejemplo 2.15:Sea el experimento aleatorio de escoger al azar un punto de

coordenadas (x, y) en la región sombreada de la Figura 2.3. Según la nota en el
Ejemplo 2.13, todos los puntos en la región son igualmente probables. Por lo que la

probabilidad de cada evento será proporcional en forma relativa al área que ocupa
ese evento en la región sombreada.
Y
T
(x,y)
y °
x T
Figura 2.3: Región que representa el espacio muestral del Ejemplo 2.15
Sean los eventos A = {(x, y) / x > y} y B = {(x, y) / 0 < x1< x < x2 < T} . Entonces,
T2
AA 1 AB ( x 2 − x1 )T ( x 2 − x1 )
P ( A) = = 22 = y P( B) = = =
AS T 2 AS T2 T
♦♦
Ejemplo 2.16:Sea el experimento aleatorio de extraer una pelota al azar de una caja.
En la caja hay R pelotas rojas y A pelotas amarillas. En total, hay (R + A) pelotas
disponibles, luego hay (R + A) eventos elementales.
Sea el evento C = {extraer una pelota roja}. Entonces, el evento C ocurre de R

formas distintas, luego
NC R NC N − NC A
P (C ) = = y P(C ) = = S =
NS R + A NS NS R+ A
♦♦
El Ejemplo 2.16 permite introducir un tipo de experimento aleatorio que se utilizará

frecuentemente en este capítulo y en los siguientes para explicar situaciones
probabilísticas generales por intermedio de este experimento.
Definición 2.17: Sea un experimento aleatorio que consiste en la extracción al azar

de pelotas de una caja; las pelotas tienen igual textura y tamaño diferenciándose
únicamente por el color. Entonces a este tipo de experimento se le conocerá como
muestreo aleatorio.
♦♦

2.4.3) Definición Subjetiva.
En las definiciones anteriores existen algunas restricciones que no hacen aplicable

alguna de ellas, pero también ocurre que existen restricciones que obligan a no
poder utilizar ninguna de esas definiciones. Como ejemplos de esto se podrían
escribir las frases siguientes que describen situaciones de tipo aleatorio que vivimos
día a día:
“Es probable que vayamos el sábado a la playa”

“Siempre ( ¡Casi siempre! ) que llamo a José no lo encuentro en su casa”
El lector puede observar el grado de incertidumbre que tienen estas frases y se

preguntará la manera de asignar probabilidades de los eventos involucrados en cada
caso. ¿Cuánto es probable?, ¿Qué valor toma casi siempre?.
En casos de este estilo las personas asignan valores a la probabilidad de ocurrencia

de eventos sin seguir normas o definiciones matemáticas sino apelando, con mayor
o menor información, a sus sentimientos o presentimientos. En definitiva, la
asignación de probabilidades se realiza en forma subjetiva como resultado del
convencimiento que tiene el ser humano sobre la ocurrencia de eventos aleatorios.
Este método define todo un campo de estudio dentro de la teoría de probabilidades

que se denomina “Teoría Bayesiana”, en honor a Thomas Bayes, uno de los
primeros investigadores que utilizó conceptos subjetivos por encima de los
objetivos para asignar valores a la probabilidad de ocurrencia de eventos.
Ejemplo 2.17:Sea un dispositivo electrónico que dispone de un panel donde hay

tres bombillos de colores amarillo, azul y rojo. El dispositivo tiene unas perillas que
permiten controlar el porcentaje de tiempo que estará prendido cada bombillo. El
dispositivo funciona de tal manera que enciende un bombillo a la vez durante un
lapso de tiempo bastante corto y cambia a otro de los bombillos en forma aleatoria.
Sea un experimento aleatorio que consiste en observar el dispositivo en
funcionamiento durante un periodo de tiempo de, digamos, un minuto; al terminar,
se le hace la siguiente pregunta al observador: ¿Qué porcentaje de tiempo estima
Ud. que estuvo encendido el bombillo de color rojo?. Las respuestas a esta pregunta
serán muy diversas y dependerán de características de las personas (serán respuestas
subjetivas) pero siempre cercanas al valor objetivo que fijaron las perillas.
♦♦
El Ejemplo 2.17 permite, incluso, establecer todo un estudio estadístico de las

respuestas clasificándolos por grupos poblacionales con ciertas características
comunes. Puede servir para analizar comportamientos psicológicos de personas que
pertenecen a esos grupos y extrapolar la forma de respuesta de las personas con esas
características.

2.5) AXIOMAS DE PROBABILIDAD.
La Definición 2.13 de la sección anterior no es práctica debido a que no permite

asignar valores a la probabilidad de un evento pero tiene un significado conceptual
muy importante que es una declaración de principios: ‘las probabilidades son
números’. Esto obliga a establecer el concepto de una relación entre el conjunto de
los resultados del experimento aleatorio y el conjunto de los números reales. Es la
manera de involucrar la matemática con la teoría de probabilidades.
La siguiente definición encierra las características que debe cumplir la relación o

regla de asignación pero las definiciones de las sección anterior son las que
proporcionan la forma de asignación de las probabilidades.
Definición 2.18: Sea un experimento aleatorio con espacio muestral S y sean los
eventos A y B dentro de ese espacio. Sea una relación entre el conjunto de partida S
y el conjunto de llegada ℜ tal que a cada elemento del conjunto de partida, digamos
evento A, le asigna un número real P(A), es decir,
P : S → ℜ / P( A) = p con A ∈ S y p ∈ ℜ
entonces, la relación P(A) debe cumplir con ciertas reglas generales para asegurar la
consistencia de la explicación matemática con las nociones intuitivas. Estas reglas
se conocen como axiomas de probabilidades y son los siguientes:
Axioma 1: Las probabilidades son números positivos. Para cualquier evento A,

siempre se cumplirá que P ( A) ≥ 0 .
Axioma 2: Al evento seguro se le asignará una probabilidad igual a uno. P ( S ) = 1 .
Axioma 3: Para dos eventos A y B mutuamente excluyentes ( A ∩ B = φ ), se tiene

que la probabilidad de la unión de ellos es la suma de sus probabilidades, es decir,
P ( A ∪ B) = P( A) + P( B) .
♦♦
Estos axiomas establecen las bases para definir el álgebra de probabilidades y

permiten el fácil tránsito entre el entendimiento intuitivo y natural de los
experimentos aleatorios y el aprovechamiento y generalización que proporciona la
matemática.
A continuación se analizan algunos ejemplos de situaciones de orden general que

surgen como consecuencia de los axiomas de la Definición 2.18.
Ejemplo 2.18: “La suma de las probabilidades del evento A y su complemento es

igual a uno”.

Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos y de los
axiomas de probabilidades. Primero hay que recordar que los eventos A y A son
mutuamente excluyentes por lo que, según el axioma 3, la probabilidad de su unión
es la suma de sus probabilidades, entonces
P ( A ∪ A ) = P( A) + P( A )
Pero la unión de un evento y su complemento es igual al espacio muestral por lo

que, usando el axioma 2, se puede escribir
P ( A ∪ A ) = P( S ) = 1 = P ( A) + P( A )
♦♦
Ejemplo 2.19: “Las probabilidades son números entre cero y uno”.
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos, de los
axiomas de probabilidades y del resultado del Ejemplo 2.18.
P ( A) + P( A ) = 1 ⇒ P( A ) = 1 - P( A)
Según el axioma 1, tanto A como A tienen probabilidades no negativas, entonces
P ( A ) = 1 - P( A) ≥ 0 ⇒ P( A) ≤ 1
♦♦
Ejemplo 2.20: “La probabilidad del evento imposible es cero”.
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos, de los
axiomas de probabilidades y del resultado del Ejemplo 2.18. El evento imposible es
el complemento del evento seguro, entonces
P ( S ) + P(φ ) = 1 ⇒ P(φ ) = 1 - P( S ) = 0
♦♦
A
A∩B B
Figura 2.4 Diagrama de Venn de la Intersección de Dos Eventos no Excluyentes.

Ejemplo 2.21: “La probabilidad de la unión de dos eventos que no son excluyentes
es igual a la suma de sus probabilidades menos la probabilidad de su intersección”.
Para demostrar esta aseveración se debe hacer uso de la teoría de conjuntos y de los
axiomas de probabilidades. En la Figura 2.4 se muestran dos eventos, la elipse A y
el rombo B, con la particularidad de tener una intersección no vacía. De allí se
puede escribir que
A ∪ B = (A ∩ B ) ∪ (A ∩ B) ∪ (A ∩ B)
con la particularidad de que los tres eventos entre paréntesis del lado derecho son
excluyentes entre si por lo que, según el axioma 3,
P( A ∪ B ) = P( A ∩ B ) + P( A ∩ B ) + P( A ∩ B )
Analizando el evento de la forma ( A ∩ B ) se puede ver que se cumple que
A ∪ B = B ∪ ( A ∩ B ) ⇒ P( A ∪ B ) = P ( B ) + P ( A ∩ B ) ⇒ P ( A ∩ B ) = P( A ∪ B ) - P ( B )
De igual manera, para el evento de la forma ( A ∩ B ) se cumple que
P( A ∩ B ) = P( A ∪ B ) - P( A)
Sustituyendo en la ecuación original, se simplifica para llegar a
P ( A ∪ B ) = P ( A) + P (B ) − P ( A ∩ B )
♦♦
Como puede observar el lector, los Ejemplos 2.18 al 2.21 son características
generales que surgen como consecuencia de los axiomas de probabilidades. Se
podrían ver de ahora en adelante como propiedades de la definición de probabilidad;
adicionales a los axiomas antes mencionados.
Ejemplo 2.22: Considere un experimento aleatorio en el cual se definen dos

eventos, A y B, que son mutuamente excluyentes. Se conoce que P(A)=0.28 y
P(B)=0.65. Se requiere calcular las probabilidades de los eventos siguientes:
A, B , A ∩ B, A ∪ B, A∩B
Para el cálculo de las probabilidades de estos eventos se utilizan tanto las

propiedades deducidas como algunas propiedades de conjuntos.

P( A ) = 1 − P( A) = 1 − 0.28 = 0.72
P( B ) = 1 − P( B) = 1 − 0.65 = 0.35
P( A ∩ B) = 0
P( A ∪ B) = P( A) + P( B) = 0.28 + 0.65 = 0.93
P ( A ∩ B ) = P( A ∪ B) = 1 − P( A ∪ B)1 − 0.93 = 0.07
♦♦
Ejemplo 2.23: En cierta urbanización, el 55% de las familias recibe por

suscripción el periódico de circulación nacional A, el 85% recibe el periódico local
B mientras que el 50% recibe ambas publicaciones. El experimento aleatorio
consiste en escoger al azar una familia y verificar cuáles periódicos recibe por
suscripción. Se definen los eventos A = {la familia recibe el periódico de
circulación nacional} y B = {la familia recibe el periódico local}. De los datos, se
puede deducir que P(A) = 0.55, P(B) = 0.85 y P(A∩B) = 0.5.
Sea el evento C = {la familia recibe por lo menos uno de los periódicos}, entonces
la probabilidad de C será
P (C ) = P( A ∪ B ) = P( A) + P( B) − P( A ∩ B) = 0.55 + 0.85 − 0.5 = 0.90
Sea el evento D = {la familia recibe exactamente uno de los periódicos}, entonces la
probabilidad de D será
P ( D) = P( A ∩ B ) + P( A ∩ B) = (P( A ∪ B) − P( A) ) + (P( A ∪ B) − P ( B) )
P( D) = 2 xP( A ∪ B) − P( A) − P( B) = 2 x 0.8 − 0.55 − 0.85 = 0.2
En la deducción de la probabilidad del evento D están involucradas varias de las

propiedades que se han visto. Se sugiere al lector hacer un diagrama de Venn para
verificar la validez de las relaciones entre los eventos de este ejemplo.
♦♦
2.5.1) Cálculo de Probabilidades en un Espacio Muestral Discreto y Finito.
La definición clásica de probabilidad es aplicable directamente a eventos definidos

en un espacio muestral finito. Para ello se debe conocer el número de resultados
elementales que conforman el evento (NA) y el número de resultados elementales en
el espacio muestral (NS). Entonces, debemos saber ‘contar’. Claro está, cuando las
cantidades son pequeñas es más fácil contarlas pero a medida que se complica la
cantidad de resultados debemos apoyarnos en técnicas que nos permitan contar sin
usar nuestros dedos. En el Apéndice 2.2, al final del capítulo, se presenta un
resumen de las técnicas de conteo más utilizadas en la teoría de las probabilidades.
A continuación se presentan un grupo de ejemplos que se apoyan en las técnicas de

conteo para obtener el resultado pedido en cada caso.

Ejemplo 2.24: ¿Cuál es la probabilidad de que se puedan sentar en una fila tres
hombres y cuatro mujeres si hombres y mujeres deben quedar alternados?.
En el Ejemplo 2.2.5 del Apéndice 2.2 se consideró el problema de calcular los casos
favorables al evento del que se solicita la probabilidad. Sea A el evento de que los
hombres y las mujeres se sienten en forma alternada, entonces NA = 144. Para
conocer NS se debe tomar en cuenta que se van a sentar en cualquier orden las siete
personas en las siete sillas por lo que NS = 7! = 5040. Entonces
NA 144
P ( A) = = = 0.0286
N S 5040
♦♦
Ejemplo 2.25: ¿Cuál es la probabilidad de que se puedan sentar en una fila tres
hombres y cuatro mujeres si los hombres se sientan juntos?.
favorables al evento del que se solicita la probabilidad. Sea A el evento de que los
hombres se sienten juntos, entonces NA = 720. Para conocer NS se debe tomar en
cuenta que se van a sentar en cualquier orden las siete personas en las siete sillas por
lo que NS = 7! = 5040. Entonces
NA 720
P ( A) = = = 0.14286
N S 5040
♦♦
Ejemplo 2.26: ¿Cuál es la probabilidad de que al escoger una placa de un

automóvil, las letras sean distintas y los números sean distintos?.
totales del espacio muestral, resultando que NS = 19683000. Sea B el evento de que
las letras sean distintas y los números sean distintos, entonces NB = 12636000 (ver
Ejemplo 2.2.9 del Apéndice 2.2). Entonces
N B 12636000
P( B) = = = 0.642
N S 19683000
♦♦
Ejemplo 2.27: Se dispone de 7 hombres y 10 mujeres para seleccionar un comité

de 5 personas. La selección se realizará al azar. ¿Cuál es la probabilidad de que el
comité esté formado por dos hombres y tres mujeres?.
Para calcular el total de formas como ocurre el espacio muestral hay que tomar en
cuenta que se quiere seleccionar cinco personas de un universo de 17. De aquí

17  17!
resulta que N S =   = = 6188 . Sea C el evento que el comité esté formado
5
  5! x12!
 7 10  7! 10!
por dos hombres y tres mujeres, entonces N C =    = x = 2520 .
2
   3 2! x 5! 3! x 7!
Luego
N C 2520
P (C ) = = = 0.4072
N S 6188
♦♦
Ejemplo 2.28: Se van a alinear al azar 6 pelotas negras y dos blancas. ¿Cuál es la
probabilidad de que las dos pelotas blancas queden juntas?.
Para calcular el total de formas como ocurre el espacio muestral hay que tomar en
cuenta que se quiere alinear 8 pelotas. De aquí resulta que N S = 8!= 40320 . Sea A
el evento que las dos pelotas blancas queden juntas, entonces N A = 7 x 2! x 6!= 10080 .
Luego
N A 10080
P ( A) = = = 0.25
N S 40320
♦♦
Ejemplo 2.29: Sea el experimento aleatorio de seleccionar al azar un número de

tres cifras comprendido entre 100 y 999, incluyendo a ambos. ¿Cuál es la
probabilidad de que el número escogido tenga al menos un uno?.
Sea el evento A = {el número escogido tiene al menos un uno}. Entonces el evento
complementario A , será que el número seleccionado no tenga ningún uno. Luego,
si se conoce P( A ), se tiene P(A). Para conocer N A , hay que ver cuántos números
están disponibles para colocarlos en la primera cifra, en la segunda y en la tercera
sin utilizar el número uno, es decir, 8, 9 y 9, respectivamente. De igual manera, para
conocer NS se disponen de 9, 10 y 10, respectivamente debido a que no hay que
tomar en cuenta la restricción del número uno. Entonces
N A = 8 x9 x9 = 648 y N S = 9 x10 x10 = 900
NA 648
P ( A) = 1 − P( A ) = 1 − = 1− = 0.28
NS 900
♦♦

2.6) PROBABILIDAD CONDICIONAL.
Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a realizar el

experimento aleatorio de extraer al azar una pelota de la caja. Sea R el evento de
R
extraer una pelota roja, entonces P ( R) = . De igual manera, si A es el evento
R+ A
A
de extraer una pelota amarilla, se tiene que P ( A) = . A continuación se debe
R+ A
tomar la decisión de devolver la pelota extraída a la caja o dejarla fuera, con miras a
realizar una segunda extracción. Estas alternativas motivan las siguientes dos
definiciones.
Definición 2.19: Sea un muestreo aleatorio, es decir, extracción al azar de pelotas

de una caja. Si la pelota extraída en cada intento se devuelve a la caja se estará
hablando de un muestreo aleatorio con reposición.
♦♦
Definición 2.20: Sea un muestreo aleatorio, es decir, extracción al azar de pelotas

de una caja. Si la pelota extraída en cada intento no se devuelve a la caja se estará
hablando de un muestreo aleatorio sin reposición.
♦♦
Notas: - Al muestreo aleatorio con reposición se le denotará como MCR.

- Al muestreo aleatorio sin reposición se le denotará como MSR.
Volviendo con el problema de extraer las pelotas de la caja, considere un cambio en

la notación de los eventos involucrados. Sea Ri el evento de extraer una pelota roja
en el i-ésimo intento y sea Ai el evento de extraer una pelota amarilla en el i-ésimo
intento. Entonces, se puede escribir
R A
P ( R1 ) = y P ( A1 ) =
R+ A R+ A
Considere ahora el evento R2. En este momento se debe tomar en cuenta qué ocurrió
con la pelota extraída en la primera oportunidad, es decir, el muestreo es con o sin
reposición. Analicemos ambos casos.
En el caso de MCR, la pelota extraída se devuelve a la caja y al momento de extraer

la segunda pelota están presentes en la caja las mismas pelotas que para la primera
extracción. Por tanto, se puede escribir
R A
P ( R2 ) = y P( A2 ) =
R+ A R+ A

Más aún, al generalizar el proceso de extracción y reposición, siempre estarán

presentes en la caja las mismas pelotas que para la primera extracción, por lo que se
puede escribir
R A
P ( Ri ) = y P( Ai ) = para todo i
R+ A R+ A
En el otro caso, MSR, la pelota extraída en la primera oportunidad queda fuera de la

caja. Entonces, el número de pelotas disponibles en la caja para la segunda
extracción cambia ya que ahora hay una pelota menos. Por tanto, la probabilidad del
evento R2 se verá alterada por este hecho.
Pero, ¿qué ocurrió en la primera extracción?, si se conoce la respuesta a esta

pregunta, digamos A1, se conoce con exactitud que en la caja hay R pelotas rojas y
(A-1) pelotas amarillas disponibles para la segunda extracción. Si la respuesta
hubiese sido R1, entonces también se sabría con exactitud que en la caja hay (R-1)
pelotas rojas y A pelotas amarillas disponibles para la segunda extracción.
En otras palabras, la ocurrencia del evento A1 o el evento R1, altera el espacio

muestral para la segunda extracción pero esa alteración queda totalmente
determinada.
Esto lleva a redefinir los eventos involucrados para decir, por ejemplo, que el evento
RR sea el evento de ‘extraer una pelota roja en el segundo intento dado que ocurrió
el hecho de que la primera pelota extraída fue roja’. De igual manera, se podría
decir que RA es el evento de ‘extraer una pelota roja en el segundo intento dado que
ocurrió el hecho de que la primera pelota extraída fue amarilla’. Entonces, se puede
escribir.
R −1 R
P( RR ) = y P( R A ) =
( R − 1) + A R + ( A − 1)
Los eventos RR y RA, definidos en el párrafo anterior, tienen implícito que la

ocurrencia de un evento cambia (está condicionada) debido a que otro evento
ocurrió, esto no sucedía en el MCR. Para generalizar esto se enuncia la siguiente
definición.
Definición 2.21: Cuando la ocurrencia de un evento B cambia el espacio muestral

para la ocurrencia de otro evento A, se dice que el evento B condiciona la
ocurrencia del evento A.
♦♦
Notas: - El cambio en el espacio muestral provoca un cambio en el valor

de la probabilidad del evento A.
- La probabilidad del evento ‘A dado que B ocurrió’ se denota por
P(A/B).

Volviendo con la nomenclatura establecida para el muestreo sin reposición se puede

escribir
R −1 R
P ( RR ) = P( R2 / R1 ) = y P ( R A ) = P( R2 / A1 ) =
( R − 1) + A R + ( A − 1)
De igual manera, se puede escribir
A A −1
P ( A2 / R1 ) = y P( A2 / A1 ) =
( R − 1) + A R + ( A − 1)
Pero este análisis fue posible debido a que se disponía de la información del color
de la pelota en la primera extracción. ¿Cómo proceder si no se conoce ese color?.
En ese caso, es importante conocer todo lo que pudo haber pasado, es decir, la
pelota extraída en la primera oportunidad o es roja o es amarilla. Por lo que se puede
escribir
R2 = R2 ∩ S = R2 ∩ (R1 ∪ A1 ) = (R2 ∩ R1 ) ∪ (R2 ∩ A1 )

P ( R2 ) = P((R2 ∩ R1 ) ∪ (R2 ∩ A1 )) = P(R2 ∩ R1 ) + P(R2 ∩ A1 )
Para calcular las probabilidades involucradas en la expresión anterior se puede hacer

uso del producto cartesiano de dos conjuntos (Definición 2.1.10 del Apéndice 2.2).
Las Figuras 2.5 y 2.6 ilustran sobre el producto cartesiano de los conjuntos S y SR,
para calcular P(R2 ∩ R1), y, por otro lado S y SA, para calcular P(R2 ∩ A1).
Conjunto SR
A pelotas 1 2
(R-1) pelotas 3 4
Conjunto S
R pelotas A pelotas
Figura 2.5: Espacio Muestral para el Evento (R2 ∩ R1)

Conjunto SA
(A-1) pelotas 1 2
R pelotas 3 4
Conjunto S
R pelotas A pelotas
Figura 2.6: Espacio Muestral para el Evento (R2 ∩ A1)
Veamos como analizar la Figura 2.5. En el eje horizontal se está colocando el

espacio muestral original con R pelotas rojas y A pelotas amarillas. En el eje
vertical se está colocando el espacio muestral ‘alterado’ por el evento R1 (ahora hay
una pelota roja menos). Además se muestran las pelotas por tipo de color separadas
entre si. En cada una de las cuatro regiones, numeradas de 1 a 4, se puede
determinar el número total de puntos en esa región debido al producto cartesiano de
S y SR. Para la región numero 1, por ejemplo, el total de puntos es N1 = RxA. El
número de formas distintas como ocurre el espacio muestral del evento (R2 ∩ R1)
será
4
N S = ∑ N i = RA + AA + R( R − 1) + A( R − 1) = ( A + R)( A + R − 1)
i =1
El número de formas distintas como ocurre el evento (R2 ∩ R1) se corresponde con
N3 = R(R-1). Luego,
R( R − 1)
P(R2 ∩ R1 ) =
( A + R)( A + R − 1)
Siguiendo la misma metodología para analizar la Figura 2.6 se puede escribir que
RA
P(R2 ∩ A1 ) =
( A + R)( A + R − 1)
En conclusión P(R2) será

R( R − 1) RA
P ( R2 ) = P(R2 ∩ R1 ) + P(R2 ∩ A1 ) = +
( A + R)( A + R − 1) ( A + R)( A + R − 1)
R( R − 1) + RA R( A + R − 1) R
P ( R2 ) = = = !!!
( A + R )( A + R − 1) ( A + R)( A + R − 1) A + R
Parece sorprendente el resultado obtenido ya que después de tener que tomar en

cuenta las alteraciones que provoca la ocurrencia de la primera extracción se llega al
mismo resultado que en el caso del MCR. La clave de esto se encuentra en el hecho
de haber tomado en cuenta todos los posibles resultados de la primera extracción.
El análisis de las Figuras 2.5 y 2.6 unido a la Definición 2.21 permite generalizar el
método de cálculo de la probabilidad condicional mediante la siguiente definición.
Definición 2.22: La probabilidad de un evento A condicionado a que ocurrió un

evento B, es decir, P(A/B), se define como la relación entre las probabilidades de la
intersección de los eventos A y B y la probabilidad del evento condicionante B.
♦♦
Notas: - El evento (A/B) también se puede expresar como ‘A dado que B

ocurrió’ o, simplemente, ‘A dado B’.
- El diagrama de Venn de la Figura 2.7 muestra los eventos
involucrados en esta definición.
- P(A/B) se calcula utilizando la ecuación 2.7.
- Si en la ecuación 2.7 el evento condicionante es S, se concluye
que P(A/S) = P(A).
- Si se cumple que A⊂B, se puede demostrar que
P( A)
P( A / B) = ≥ P( A) .
P( B)
- Si se cumple que B⊂A, se concluye que P(A/B) = 1.
- Si se cumple que A∩B = φ, se concluye que P(A/B) = 0.
P( A ∩ B)
P( A / B) = siempre que P( B) ≠ 0 (ec. 2.7)
P( B)
S
A∩B
A B
Figura 2.7: Eventos Involucrados en la Definición 2.22.

Cuando se analiza la Figura 2.7 se puede crear una relación entre el área ocupada
por un evento y su probabilidad de ocurrencia. Así, el área total del rectángulo debe
considerarse como uno ya que se corresponde con el espacio muestral. La
probabilidad del evento A será la relación entre el área ocupada por el evento A y el
área ocupada por el espacio muestral. Pensando de esta manera, al ocurrir el evento
B se reduce el espacio muestral al área ocupada por el evento B y, entonces, la
probabilidad de A será, ahora, la relación entre el área ocupada por A dentro del
nuevo espacio muestral (A∩B) y el área del nuevo evento S (evento B). Esta
explicación gráfica hace entender la forma como el evento B altera el espacio
muestral lo que provoca el cambio en el valor de la probabilidad de A.
Ejemplo 2.30: En el laboratorio de computación de una escuela hay 100

computadoras. Algunas son Pentium II (PII) y otras son Pentium I (PI), además se
sabe que algunas computadoras tienen unidad de CD (CD) y otras no tienen unidad
de CD (NCD). La Tabla 2.1 muestra la distribución de las computadoras según las
clasificaciones anteriores. El experimento aleatorio consiste en escoger una
computadora al azar. Si la computadora escogida es Pentium II, ¿Cuál es la
probabilidad de que tenga unidad de CD?.
Pentium I (PI) Pentium II (PII) Total

Con unidad de CD (CD) 15 40 55
Sin unidad de CD 25 20 45
Total 40 60 100
Tabla 2.1: Datos del Ejemplo 2.30
Siguiendo la nomenclatura establecida en el enunciado del ejemplo se tiene que la

probabilidad solicitada es P(CD / PII). Entonces
40
P(CD ∩ PII )
P (CD / PII ) = = 100 = 0.666
P( PII ) 60
100
♦♦
Ejemplo 2.31: En una caja hay R pelotas rojas y A pelotas amarillas. Se realiza un
MSR de tamaño tres. ¿Cuál es la probabilidad de que las tres pelotas sean rojas?.
Considere los eventos siguientes Ri = {sacar una pelota roja en el i-ésimo intento} y
Ai = { sacar una pelota amarilla en el i-ésimo intento }. Entonces, la probabilidad
solicitada es P(R1∩R2∩R3). A partir de la definición de probabilidad condicional se
puede escribir

P( R1 ∩ R2 ∩ R3 )
P ( R3 / R1 ∩ R2 ) = ⇒ P( R1 ∩ R2 ∩ R3 ) = P( R3 / R1 ∩ R2 ) P( R1 ∩ R2 )
P( R1 ∩ R2 )
pero P( R1 ∩ R2 ) = P( R2 / R1 ) P( R1 ) luego
R−2 R −1 R
P( R1 ∩ R2 ∩ R3 ) = P( R3 / R1 ∩ R2 ) P( R2 / R1 ) P( R1 ) = x x
R + A − 2 R + A −1 R + A
♦♦
Ejemplo 2.32: En una caja hay 4 bombillos malos y 6 buenos. Se sacan dos
bombillos a la vez. Se prueba el primero y resulta bueno, ¿Cuál es la probabilidad
de que el otro también sea bueno?.
Sean los eventos B1 = {el bombillo 1 está bueno} y B2 = {el bombillo 2 está bueno}.
Entonces, la probabilidad solicitada es P(B1∩B2). A partir de la definición de
probabilidad condicional se puede escribir
P( B1 ∩ B2 )
P ( B2 / B1 ) = ⇒ P( B1 ∩ B2 ) = P( B2 / B1 ) P( B1 )
P( B1 )
6 5
P( B1 ) = y P( B2 / B1 ) = luego
10 9
5 6
P( B1 ∩ B2 ) = x = 0.333
9 10
♦♦
2.7) PROBABILIDAD TOTAL.
Volviendo con el problema de extraer pelotas de una caja sin reposición (MSR), en
la sección anterior se analizó el cálculo de la probabilidad de que la segunda pelota
extraída sea roja (R2) sin conocer el color de la primera pelota. Allí se dijo que la
clave de la respuesta obtenida era que se tomaron en consideración todos los
posibles resultados de la primera extracción (roja o amarilla). Este hecho se
generalizará a continuación.
Definición 2.23: Sea una partición del espacio muestral en un grupo de eventos Bi,
con i = 1, …,n. La probabilidad total de un evento A se puede expresar como la
suma de las probabilidades parciales de A respecto a cada elemento de la partición.
♦♦
Notas: - La Definición 2.1.13 del Apéndice 2.1 indica las propiedades

que deben cumplir los elementos de una partición.
- La Figura 2.8 muestra al evento A y a los elementos de la
partición sobre el espacio muestral S.
- La probabilidad total del evento A se calcula utilizando la
ecuación 2.8.
- La demostración siguiente justifica la Ecuación 2.8.

n
P( A) = ∑ P( A / Bi ) P( Bi ) (ec. 2.8)
i =1
S
B2
B1 B3
Bi
Bn
Figura 2.8: Evento A y la Partición del Espacio Muestral.
Demostración: El grupo de eventos Bi debe cumplir con las siguientes propiedades
n
- UB i =S
i =1
- Bi ∩ B j = φ para todo i ≠ j (i, j = 1,2,...n)
Además, tienen que ser tales que sus probabilidades sean mayores que cero
(P(Bi)>0). El evento A se puede escribir como (en virtud de la 1ª propiedad de la
partición)
n n
A = A ∩ S = A ∩ U Bi = U ( A ∩ Bi )
i =1 i =1
Note que los eventos dentro de la operación de unión en el miembro de la derecha

de la expresión anterior son excluyentes entre si (2ª propiedad de la partición).
Aplicando el concepto de probabilidad a los eventos anteriores
n  n n
P ( A) = P U ( A ∩ Bi ) = ∑ P( A ∩ Bi ) = ∑ P( A / Bi )P(Bi )
 i =1  i =1 i =1
♦♦
Ejemplo 2.33: Se tienen dos cajas con pelotas. En la caja 1 hay X pelotas blancas y
Y pelotas rojas. En la caja 2 hay Z pelotas blancas y W pelotas rojas. Se selecciona
al azar una pelota de la caja 1 y se coloca en la caja 2, a continuación, se escoge una
pelota de la caja 2, ¿Cuál es la probabilidad de que esa pelota sea blanca?.

Se definen los eventos siguientes:

B1 = {pasar una pelota blanca de la caja 1 a la caja 2}
B2 = { pasar una pelota roja de la caja 1 a la caja 2}
A = { escoger una pelota blanca de la caja 2}.
Ya que no se conoce el color de la pelota que pasa de la caja 1 a la caja 2, se deben

tomar en cuenta todos los posibles eventos que pudieron ocurrir. Entonces, la
probabilidad total de A se puede expresar en términos de la partición Bi.
2
P ( A) = ∑ P( A / Bi ) P( Bi ) = P( A / B1 ) P( B1 ) + P( A / B2 ) P( B2 )
i =1
Z +1 X Z Y XZ + X + ZY
P ( A) = + =
Z + W + 1 X + Y Z + W + 1 X + Y (Z + W + 1)( X + Y )
x x
♦♦
Ejemplo 2.34: Una caja contiene 2000 transistores de los cuales el 5% es

defectuoso. Una segunda caja contiene 500 transistores de los cuales el 40% es
defectuoso. Otras dos cajas contienen 1000 transistores cada una con un 10% de
defectuosos. Se selecciona al azar una caja y de ella se toma un transistor, ¿Cuál es
la probabilidad de que ese transistor esté bueno?.

B = {el transistor escogido está bueno}
B = { el transistor escogido está defectuoso}
Ci = { escoger la caja i / i = 1, 2, 3, 4}.
Entonces,
4 4 4
P ( B) = 1 − P( B ) = 1 − ∑ P ( B / C i ) P(C i ) = 1 − P(C i )∑ P ( B / C i ) = 1 − 0.25∑ P( B / C i )
i =1 i =1 i =1
P( B) = 1 − 0.25(0.05 + 0.40 + 0.10 + 0.10 ) = 0.8375

♦♦
Ejemplo 2.35: Un artículo es manufacturado por tres fábricas. Se sabe que la

fábrica 1 (F1) produce el doble de la fábrica 2 (F2) y ésta igual que la fábrica 3 (F3).
El 2% de los artículos producidos por F1 y F2 tienen defectos mientras que el 4% de
los de F3 tienen defectos. Se colocan juntos todos los artículos producidos y se
selecciona al azar uno de ellos, ¿Cuál es la probabilidad de que ese artículo tenga
algún defecto?.

D = {el artículo escogido tienen algún defecto}
Fi = { escoger la fábrica i / i = 1, 2, 3}.

A diferencia del Ejemplo 2.34, las fábricas no se escogen al azar. En este caso, al
colocar todos los productos juntos la probabilidad de cada fábrica será proporcional
a su producción. Entonces,
∑ P( F ) = 1
i =1
i y además P( F1 ) = 2 P( F2 ) = 2 P( F3 ) entonces
P( F1 ) = 0.5, P( F2 ) = P( F3 ) = 0.25
3
P ( D) = ∑ P( D / Fi ) P( Fi ) = 0.02 x 0.5 + 0.02 x 0.25 + 0.04 x 0.25 = 0.025
i =1
♦♦
Ejemplo 2.36: Se dispone de una caja con R pelotas rojas y A pelotas amarillas. Se
lanza un dado perfecto y se obtiene como resultado un valor N, con N variable entre
uno y seis; si N es menor que 4 se extraen 2 pelotas sin reposición, en caso contrario
se extraen 2 pelotas con reposición, ¿Cuál es la probabilidad de que no se extraigan
pelotas rojas?.

A1 = {ocurre un valor menor que 4 al lanzar el dado}
A2 = {ocurre un valor mayor o igual que 4 al lanzar el dado}
R = {no se extrae ninguna pelota roja}= {las dos pelotas son amarillas}
A1 y A2 conforman una partición del espacio muestral. Además, P(A1)=P(A2)=0.5.

Por otro lado, el evento R adquiere una connotación diferente al ocurrir A1 o A2.
Cuando ocurre A1, el muestreo se realizará sin reposición mientras que cuando
ocurre A2 el muestreo se realizará con reposición. Entonces,
2
A A −1  A 
P ( R / A1 ) = x y P( R / A2 ) =  
R + A R + A −1  R + A
2 2
P ( R) = ∑ P ( R / Ai ) P( Ai ) = P( Ai )∑ P ( R / Ai ) = 0.5(P( R / A1 ) + P( R / A2 ) )
i =1 i =1
A  A −1 A 
P( R ) = 0.5  + 
R + A  R + A −1 R + A 
♦♦
Ejemplo 2.37: Considere nuevamente las cajas del Ejemplo 2.33. Se selecciona al
azar una pelota de cada caja y se coloca cada pelota en la otra caja, a continuación,
se escoge una pelota de la caja 2, ¿Cuál es la probabilidad de que esa pelota sea
blanca?.

C1 = {pasar una pelota blanca de la caja 2 a la caja 1}

C2 = { pasar una pelota roja de la caja 2 a la caja 1}

Los 4 eventos que pueden ocurrir al intercambiar pelotas son D1=(B1∩C1),

D2=(B1∩C2), D3=(B2∩C1) y D4=(B2∩C2). Por tanto, este grupo de eventos
conforman una partición Di del espacio muestral. Para conocer sus probabilidades se
recurre al producto cartesiano de los espacios muestrales de cada uno de los
experimentos involucrados (extraer una pelota de la caja 1 y extraer una pelota de la
caja 2). Aquí se tiene que NS = (X+Y)(Z+W), ND1 = XZ, ND2 = XW, ND3 = YZ y
ND4 = YW.
Por otro lado, al ocurrir cada evento de la partición se conoce el espacio muestral
resultante por lo que las probabilidades del tipo P(A/Di) serán
X X −1 X +1
P ( A / D1 ) = P( A / D4 ) = , P ( A / D2 ) = y P( A / D3 ) =
X +Y X +Y X +Y
Entonces, la probabilidad total de A se puede expresar en términos de la partición

Di.
4
P( A) = ∑ P( A / Di ) P( Di ) =
i =1
X XZ X −1 XW
x + x +
X + Y ( X + Y )( Z + W ) X + Y ( X + Y )( Z + W )
X +1 YZ X YW
+ x + x ,
X + Y ( X + Y )( Z + W ) X + Y ( X + Y )( Z + W )
X ( X + Y )( Z + W ) + YZ − XW
P( A) =
( X + Y ) 2 (Z + W )
♦♦
Ejemplo 2.38: Dos jugadores A y B se turnan para lanzar una moneda equilibrada.
A lanza de primero y B lanza después, y el ciclo se repite hasta que gana el primero
que saque cara. ¿Cuál es la probabilidad de ganar de cada uno de los jugadores?.
Sean los eventos A = {gana el jugador A}, B = { gana el jugador B}, Ai = {gana el
jugador A en su intento i-ésimo} y Bi = {gana el jugador B en su intento i-ésimo}.
El evento A2 implica que A perdió en su primer intento, B también perdió y A gano
en su segundo intento, es decir, en términos de los eventos que ocurren se puede
escribir que
A2 = A1 ∩ B1 ∩ A2 ⇒ P( A2 ) = P( A2 / A1 ∩ B1 )P(B1 / A1 )P( A1 ) = (0.5)(0.5) 2

Generalizando para el intento i-ésimo
P ( Ai ) = (0.5) 2( i −1) (0.5) con i = 1,2,...
El evento A se puede expresar como la unión de los eventos Ai.

∞ ∞ ∞ ∞
A = U Ai = U Ai ⇒ P( A) = ∑ P( Ai ) = ∑ (0.5) 2 ( i −1) (0.5)
i =1 i =1 i =1 i =1
( )
∞ ∞ ∞
0.25
P ( A) = (0.5)∑ (0.5) 2i −2 = 2∑ (0.5) 2 = 2∑ (0.25) = 2
i i
= 0.667
i =1 i =1 i =1 1 − 0.25
Siguiendo un análisis paralelo para el evento B, se puede escribir que
P ( Bi ) = (0.5) 2( i −1) +1 (0.5) con i = 1,2,... , luego
( )
∞ ∞ ∞
0.25
P ( B) = ∑ P ( Bi ) = ∑ (0.5) 2( i −1) +1 (0.5) = ∑ (0.5) 2
i
= = 0.333 = 1 − P( A)
i =1 i =1 i =1 1 − 0.25
♦♦
2.8) TEOREMA DE BAYES.
Volviendo con el problema de muestreo aleatorio analizado en las dos secciones

anteriores, considere un MSR de tamaño 2. La primera pelota escogida se aparta de
la caja sin conocer su color y al sacar la segunda pelota se ve que es roja, entonces
surgen la preguntas ¿De qué color fue la primera pelota?, ¿Cuál es la probabilidad
de que esa primera pelota roja también haya sido roja?.
En la Sección 2.6 el interés fue conocer la probabilidad de que la segunda pelota sea
roja dado que la primera pelota fue roja, es decir, P(R2/R1). En esta sección se
propone calcular la probabilidad de que la primera pelota fue roja dado que la
segunda es roja, es decir, P(R1/R2). Note la inversión en el orden de la ocurrencia de
los eventos en las dos situaciones planteadas.
A partir de la definición de probabilidad condicional se puede escribir que
P( R1 ∩ R2 ) P( R2 / R1 ) P( R1 )
P ( R1 / R2 ) = =
P ( R2 ) P ( R2 )
y de esta manera resolver la incógnita que se planteó en el párrafo anterior. Este

análisis se puede generalizar mediante la siguiente definición.
Definición 2.24: Sea una partición del espacio muestral en un grupo de eventos Bi,
con i = 1, …,n. La probabilidad condicional de un evento Bi dado que ocurrió un
evento A se puede expresar como la probabilidad del evento A dado que ocurrió ese
elemento de la partición por la relación de las probabilidades entre Bi y A,
respectivamente. Esta definición es lo que se conoce como Teorema de Bayes.
♦♦

Notas: - La probabilidad condicional de un evento Bi dado que ocurrió el

evento A también se denomina probabilidad a posteriori.
- Las probabilidades del evento A dado que ocurrió cada elemento
Bi también se denominan probabilidades a priori.
- Para aplicar el Teorema de Bayes se utiliza la ecuación 2.9.
- El denominador en el término a la derecha en la ecuación 2.9
resulta de considerar la probabilidad total del evento A.
P ( A / Bi ) P ( Bi ) P( A / Bi ) P( Bi )
P ( Bi / A) = = n
(ec. 2.9)
P( A)
∑ P( A / B
j =1
j ) P( B j )
Ejemplo 2.39: Considere las dos cajas con pelotas del Ejemplo 2.33. Se selecciona
al azar una pelota de la caja 1 y se coloca en la caja 2, a continuación, se escoge una
pelota de la caja 2 y resulta ser blanca, ¿Cuál es la probabilidad de que la pelota
seleccionada inicialmente de la caja 1 haya sido blanca?.

Entonces la probabilidad solicitada es P(B1 / A). Aplicando el teorema de Bayes se

consigue que
Z +1 X
P ( B1 / A) =
P( A / B1 ) P( B1 )
x
= Z +W +1 X + Y =
(Z + 1)X
P( A) XZ + X + ZY XZ + X + ZY
(Z + W + 1)( X + Y )
♦♦
Ejemplo 2.40: Considere las cajas con transistores del Ejemplo 2.34. Se selecciona
al azar una caja y de ella se selecciona un transistor que resulta estar bueno, ¿Cuál
es la probabilidad de que la caja 2 haya sido la seleccionada?.

B = {el transistor escogido está bueno}
Ci = {escoger la caja i / i = 1, 2, 3, 4}
Entonces la probabilidad solicitada es P(C2 / B). Aplicando el teorema de Bayes se

consigue que
P( B / C 2 ) P(C 2 ) 0.6 x 0.25
P (C 2 / B) = = = 0.1791
P( B) 0.8375
♦♦

Ejemplo 2.41: Considere las fábricas del Ejemplo 2.35. Se colocan juntos todos los
artículos producidos y se selecciona al azar un artículo que resulta estar defectuoso,
¿Cuál es la probabilidad de que ese artículo venga de la fábrica 1?.

D = {el artículo escogido tiene algún defecto}
Fi = {escoger la fábrica i / i = 1, 2, 3}
Entonces la probabilidad solicitada es P(F1 / D). Aplicando el teorema de Bayes se

consigue que
P( D / F1 ) P( F1 ) 0.02 x 0.5
P ( F1 / D ) = = = 0.4
P( D) 0.025
♦♦
Ejemplo 2.42: En un examen de selección múltiple se podría contestar una

pregunta conociendo la respuesta correcta o escogiendo al azar entre las alternativas
(considere 4 alternativas). Sea p = 0.6, la probabilidad de que el estudiante conozca
la respuesta correcta y (1-p) la probabilidad de responder al azar. Si la respuesta es
correcta, ¿Cuál es la probabilidad de que haya respondido al azar?.

A = {contestar correctamente la pregunta}
B1 = {escoger la respuesta porque se conoce previamente}
B2 = {escoger la respuesta al azar}
Entonces la probabilidad solicitada es P(B2 / A). Aplicando el teorema de Bayes se

consigue que
P ( A / B2 ) P ( B2 ) P ( A / B2 ) P ( B2 )
P ( B2 / A) = =
P( A) P( A / B1 ) P( B1 ) + P( A / B2 ) P( B2 )
0.25 x (1 − p )
P( B2 / A) = = 0.2
1xp + 0.25 x (1 − p )
Esto indica que aproximadamente el 20% de las veces que se responde una pregunta
al azar se adivina la respuesta correcta. Este razonamiento obliga al profesor a tomar
en cuenta algún factor de penalización que busque evitar que el estudiante
seleccione las respuestas al azar.
♦♦
2.9) EVENTOS INDEPENDIENTES.
En las tres secciones anteriores se ha estado analizando el problema del muestreo

aleatorio sin reposición que llevó a la definición de probabilidad condicional y a las
expresiones de probabilidad total y teorema de Bayes. En esta sección se tomará en
cuenta el muestreo con reposición que va a permitir establecer una definición de

mucha importancia en el análisis de fenómenos probabilísticos como lo es la

independencia de eventos.
Al considerar el MCR, la primera pelota extraída se devuelve a la caja por lo que el

espacio muestral para la segunda extracción no cambia lo que implica que la
asignación de probabilidades no se altera. Por tanto, pensando en la expresión de
probabilidad condicional, se tiene que
P( R1 ∩ R2 )
P ( R2 / R1 ) = = P ( R2 ) ⇒ P( R1 ∩ R2 ) = P( R1 ) P( R2 )
P( R1 )
Aquí se puede observar que la ocurrencia del evento R1 no condiciona la ocurrencia

del evento R2 y por tanto la expresión de la derecha adquiere validez. Este hecho se
recoge en la siguiente definición.
Definición 2.25: Sean dos eventos, A y B, definidos en el espacio muestral S. Si la

probabilidad de la intersección de los dos eventos es igual al producto de sus
probabilidades entonces, esos dos eventos son independientes.
♦♦
Nota: - Si dos eventos son independientes entonces se utiliza la

ecuación 2.10 para calcular la probabilidad de su intersección.
P ( A ∩ B) = P( A) P ( B) (ec. 2.10)
Cuando se requiere verificar la independencia de más de dos eventos se deben

analizar varios problemas en paralelo como son la independencia dos a dos y, por
último, la independencia de los tres eventos. La siguiente definición puede
generalizarse para n eventos siguiendo la misma lógica.
Definición 2.26: Sean tres eventos, A, B y C, definidos en el espacio muestral S.

Estos eventos son independientes siempre y cuando ellos sean independientes
tomados dos a dos y cumplan, además, con la ecuación 2.11.
♦♦
P ( A ∩ B ∩ C ) = P( A) P( B) P(C ) (ec. 2.11)
Ejemplo 2.43: “Si los eventos A y B son independientes entonces los eventos
complementarios A y B también lo son”.
Para demostrar esta aseveración se recurre a la Definición 2.1.11 (primera ley de De

Morgan) y al axioma 3 para escribir
A ∩ B = A ∪ B ⇒ P ( A ∩ B ) = P( A ∪ B) = 1 − P( A ∪ B)
P ( A ∩ B ) = 1 − (P( A) + P( B) − P( A) P( B) )

Por otro lado, con base en el Ejemplo 2.18, se pueden expresar P(A) y P(B) como
P ( A) = 1 − P( A ) y P( B) = 1 − P( B ) , sustituyendo queda
P ( A ∩ B ) = 1 − (1 − P( A ) + 1 − P( B ) − (1 − P( A ) )(1 − P ( B ) )) = P( A ) P( B )
En vista de que los eventos complementarios cumplen con la ecuación 2.10 se

demuestra la veracidad de la aseveración planteada.
♦♦
Ejemplo 2.44: Sean los eventos A, B y C tales que P(A) = P(B) = P(C) = 0.2.
Además se sabe que P(A∩B) = P(A∩C) = P(C∩B) = P(A∩B∩C) = 0.04. ¿Estos
eventos son independientes?
Para demostrar la independencia de tres eventos se debe demostrar primero la

independencia de cada dos de ellos y luego verificar que también se cumple la
ecuación 2.11. De los datos se verifica que, tomados dos a dos, los eventos son
independientes, pero al verificar la ecuación 2.11 se tiene que
P ( A ∩ B ∩ C ) ≠ P( A) P( B) P(C )
Por tanto los eventos A, B y C no son independientes entre sí.

♦♦
Ejemplo 2.45: Sean los eventos independientes A y B tales que P(A) = P(B) = 0.6.
¿Cuál es la probabilidad de la unión de estos eventos?
Del Ejemplo 2.21 y tomando en cuenta que A y B son independientes, se tiene que
P ( A ∪ B ) = P( A) + P( B) − P( A ∩ B) = P( A) + P( B) − P( A) P( B)
P ( A ∪ B ) = 0.6 + 0.6 − 0.6 x 0.6 = 0.84
♦♦
Ejemplo 2.46: Considere una caja con R pelotas rojas y A pelotas amarillas. Se va
a realizar un MCR de tamaño 2 y sean los eventos R1 y R2, ¿Cuál es la probabilidad
de la unión de estos eventos?
Del Ejemplo 2.21 y tomando en cuenta que R1 y R2 son eventos independientes

como consecuencia del MCR, se tiene que
P (R1 ∪ R2 ) = P( R1 ) + P ( R2 ) − P( R1 ∩ R2 ) = P( R1 ) + P( R2 ) − P( R1 ) P( R2 )
R R R R R  R 
P (R1 ∪ R2 ) = + − x = 2 − 
R + A R + A R + A R + A R + A R + A
♦♦

Ejemplo 2.47: Se lanza una moneda honesta dos vez, ¿Cuál es la probabilidad de
obtener dos caras?.
Sean los eventos A={obtener dos caras} y Bi={obtener cara en el intento i / i = 1,2}.
Entonces, P(B1) = P(B2) = 0.5. Por otro lado, el evento A puede expresarse como la
intersección de los eventos Bi que son independientes, es decir
P ( A) = P ( B1 ∩ B2 ) = P ( B1 ) P( B2 ) = 0.5 2 = 0.25
♦♦
Ejemplo 2.48: Se tienen dos monedas cargadas. La primera tiene probabilidad 0.4
de caer cara y la segunda 0.6. Un jugador escoge al azar una de las monedas y la
lanza dos vez, ¿Cuál es la probabilidad de obtener dos caras?.
Sean los eventos A = {obtener dos caras} y Bi = {escoger la moneda i / i = 1, 2}.

Entonces, P(B1) = P(B2) = 0.5. Por otro lado, el evento A puede expresarse como la
intersección de dos eventos que son independientes, es decir
A = {primer lanzamiento salga cara}∩{segundo lanzamiento salga cara}, entonces
P ( A) = P ( A / B1 ) P( B1 ) + P( A / B2 ) P( B2 ) = 0.5(0.4 2 + 0.6 2 ) = 0.26

♦♦
Ejemplo 2.49: Dos elementos conectados en serie en un circuito eléctrico tienen

probabilidad de no fallar igual a 0.4 y 0.7. Si se considera la falla de estos elementos
como eventos independientes, ¿Cuál es la probabilidad de que el sistema falle (se
considera que el sistema falla si al menos un elemento falla)?.
Sean los eventos A = {que el sistema falle} y Bi = {el elemento i no falla / i = 1, 2}.
Entonces, P(B1) = 0.4 y P(B2) = 0.7.
P ( A) = 1 − P ( A ) = 1 − P( B1 ∩ B2 ) = 1 − P( B1 ) P( B2 ) = 1 − 0.4 x 0.7 = 0.72
Otra manera de analizar el ejemplo es la siguiente
P ( A) = P ( B1 ∪ B2 ) = P ( B1 ) + P ( B2 ) − P( B1 ∩ B2 ) = P( B1 ) + P( B2 ) − P( B1 ) P ( B2 )
P( A) = (1 − 0.4 ) + (1 − 0.7) − (1 − 0.4 )x (1 − 0.7) = 0.6 + 0.3 − 0.18 = 0.72
♦♦
Ejemplo 2.50: En el circuito de la Figura 2.9 se muestra un grupo de 3

interruptores (I1, I2, I3) que abren y cierran en forma aleatoria e independiente. La
probabilidad de cada interruptor de estar cerrado en algún instante dado es p. ¿Cuál
es la probabilidad de que en un instante dado exista al menos un camino sin
interrupción entre los puntos A y B?.

I1 I2
A B
I3
Figura 2.9: Red de Interruptores del Ejemplo 2.50
Sean los eventos Ii = {el interruptor i está cerrado / i=1,2,3} y AB = {existe

comunicación directa entre A y B}. Entonces, P(I1) = P(I2) = P(I3) = p. Para que
exista comunicación entre A y B tienen que estar cerrados el camino superior
( ( AB )s ) o el camino inferior ( ( AB )i ) o ambos, por lo que
P ( AB ) = P(( AB )s ∪ ( AB )i ) = P(( AB )s ) + P (( AB )i ) − P(( AB )s ∩ ( AB )i )

P(( AB )s ) = P( I 1 ) P( I 2 ) = p 2
P(( AB )i ) = P( I 3 ) = p
P(( AB )s ∩ ( AB )i ) = P(( AB )s ) P(( AB )i ) = p 3
P ( AB ) = p 2 + p − p 3 = p(1 + p − p 2 )
Otra manera de analizar el ejemplo es considerando el evento complementario AB .
P ( AB ) = 1 − P( AB) = 1 − P(( AB )s ∩ ( AB )i ) = 1 − P (( AB )s ) P(( AB )i )

P (( AB )s ) = 1 − P(( AB )s ) = 1 − p 2
P(( AB )i ) = 1 − p
P ( AB ) = 1 − (1 − p 2 )(1 − p ) = p (1 + p − p 2 )
♦♦
2.10) EXPERIMENTOS COMPUESTOS.
Por experimentos compuestos se conocerá a aquellas situaciones que impliquen la

realización de un experimento aleatorio simple que se repite varias veces. La
repetición del experimento sencillo tiene dos maneras de verlo. En la primera de
ellas, el espacio muestral para cada repetición no cambia; esto hace que el
experimento compuesto se vea como un muestreo con reposición. En el segundo
caso, el espacio muestral para cada repetición es cambiante y depende de lo
sucedido en los experimentos anteriores; es lo que ya se conoció como muestreo sin
reposición. Este tipo de experimento se verá como una generalización de los dos
tipos de muestreo explicados previamente.

En cualquier circunstancia el experimento compuesto puede verse como un

experimento aleatorio cuyo espacio muestral resulta del producto cartesiano
(Definición 2.1.10 del Apéndice 2.2) de los espacio muestrales de cada uno de los
experimentos simples que lo componen.
Los ejemplos siguientes permiten entender la metodología que se sigue para analizar
estos experimentos compuestos.
Ejemplo 2.51: Jorge y María deciden encontrarse en un concurrido Centro

Comercial para ir a almorzar. Acuerdan conseguirse entre las 12 m y las 12:30 p.m..
Ya que ambos se reconocen poco puntuales tomaran la siguiente precaución:
ninguno esperará más de 10 minutos por el otro. ¿Cuál es la probabilidad de poder
almorzar juntos?. Si se consiguen para almorzar, ¿Cuál es la probabilidad de que
Jorge haya llegado antes que María?.
Antes de definir los eventos involucrados se deben incorporar al enunciado dos

informaciones importantes para la solución del problema. Las dos personas llegan al
sitio previsto en un instante al azar dentro del intervalo mencionado y en forma
independiente.
Sean los eventos J = {instante de llegada de Jorge} y M = {instante de llegada de

María}. En la Figura 2.10 se muestran ejes cartesianos que representan el instante
de llegada de Jorge (eje horizontal) y el instante de llegada de María (eje vertical).
La recta y = x indica que ambos llegan en el mismo instante mientras que la región
en el triángulo inferior más oscuro indica que Jorge llegó después que María.
Para encontrarse debe ocurrir uno de dos eventos, Jorge está en el Centro Comercial
y María llega antes de que él se vaya o María está en el Centro Comercial y llega
Jorge antes de que ella se vaya. Recuerde que cada uno de ellos esperará sólo 10
minutos y luego se va a almorzar sin el otro.
Y
12:30 pm
12 m J 12:30 pm X
Figura 2.10: Espacio Muestral para el Experimento Compuesto del Ejemplo 2.51

Estas dos situaciones se pueden expresar como los eventos E1={J ≤ M ≤ J+10}y
E2={M ≤ J ≤ M+10} (la unidad de medida en minutos) que se muestran como las
figuras en blanco en la Figura 2.11. Note que los eventos E1 y E2 son mutuamente
excluyentes.
E1={J ≤ M ≤ J+10}
M
30
E2={M ≤ J ≤ M+10}
0 30 J
Figura 2.11: Evento Favorable en el Experimento del Ejemplo 2.51
Luego
20 x 20
P (Encontrarse ) = P( E1 ∪ E 2 ) = P( E1 ) + P( E 2 ) = 1 − 2 2
2 = 0.556
30
Por otro lado, la probabilidad de que Jorge haya llegado antes que María dado que
se encuentran será
P( E1 ) 0.5(1 − 2 )
P ( J ≤ M / E1 ∪ E 2 ) = = 9 = 0.6994
P( E1 ∪ E 2 ) 0.556
♦♦
Ejemplo 2.52: Se lanza un dado dos veces como en el Ejemplo 2.5. ¿Cuál es la
probabilidad de que la suma de los resultados sea mayor o igual a 9?.
El espacio muestral del experimento puede expresarse como el producto cartesiano

del espacio del Ejemplo 2.3 por si mismo como consecuencia de considerar que el
resultado del primer lanzamiento no tiene nada que ver con el del segundo
lanzamiento o que los dos lanzamientos son independientes entre sí.
Sean los eventos D1 = {valor del dado en el primer lanzamiento} y D2 = {valor del
dado en el segundo lanzamiento}. En la Figura 2.12 se muestran ejes cartesianos
que representan al resultado D1 (eje horizontal) y al resultado D2 (eje vertical). Los

puntos marcados con ‘x’ son los que corresponden al evento A ={la suma de los
resultados es mayor o igual a 9}.
D2
6 x x x x
5 x x x
4 x x
3 x
1 2 3 4 5 6 D1
Figura 2.12: Espacio Muestral para el Experimento Compuesto del Ejemplo 2.52
El evento A se cumple de NA = 10 formas distintas y el espacio muestral de NS = 36

formas distintas, como se ve en la Figura 2.12. Luego
N A 10
P ( A) = = = 0.278
N S 36
♦♦
2.11) PRUEBAS DE BERNOULLI.
Considere el experimento aleatorio de lanzar una moneda con los resultados cara y sello
como los elementos de su espacio muestral. Este tipo de experimento se puede generalizar
al considerar que los dos eventos del espacio muestral pueden expresarse como éxito y
fracaso, sí y no, ocurrió y no ocurrió, etc. La definición siguiente permite la generalización
requerida.
Definición 2.27: A un experimento aleatorio cuyo espacio muestral se puede

expresar en términos de la ocurrencia o no de un evento A se le conoce como
Prueba de Bernoulli.
♦♦
Notas: - La probabilidad de que ocurra el evento A se denota por p.

- La probabilidad de que no ocurra el evento A se denota
por q=1-p.

- La probabilidad p es el parámetro importante para

conocer una Prueba de Bernoulli.
- El evento A y su complemento conforman una partición
del espacio muestral.
- La Prueba de Bernoulli se denota como B(p).
- La ecuación 2.12 permite calcular las probabilidades en
una Prueba de Bernoulli.
 p si ocurre A
P[B( p )] =  (ec. 2.12)
1 − p si no ocurre A
Ejemplo 2.53: Considere el ejemplo de extraer una pelota de una caja con R
pelotas rojas y V pelotas verdes. Sea el evento A = {extraer una pelota roja}. Este
R
experimento aleatorio es una Prueba de Bernoulli donde el valor de p es .
R +V
♦♦
Ejemplo 2.54: Considere el ejemplo de lanzar un dado. Sea el evento A = {que

ocurra un número mayor que 4}. Este experimento aleatorio es una Prueba de
1
Bernoulli donde el valor de p es .
3
♦♦
La repetición de una Prueba de Bernoulli es la base de experimentos aleatorios más

complejos que permiten analizar ciertas situaciones aleatorias de gran aplicación
práctica. Es conveniente aclarar el significado de la ‘repetición’ de una Prueba de
Bernoulli. La repetición se fundamenta en que las condiciones para realizar el
experimento no se alteran de una prueba a otra; el espacio muestral no cambia por lo
que la probabilidad del evento A, valor p, no cambia. Las definiciones siguientes
están relacionadas con el concepto de repetir una Prueba de Bernoulli.
Definición 2.28: Sea un experimento aleatorio que consiste en la repetición de

Pruebas de Bernoulli con parámetro p. Esta repetición se realizará hasta que se
consiga que ocurre el evento A por primera vez. A este tipo de experimento se le
conoce como Experimento Geométrico.
♦♦
Notas: - El número de repeticiones hasta conseguir que ocurra el

evento A es un valor aleatorio.
- El menor número de Pruebas de Bernoulli que se puede
hacer para un experimento Geométrico es 1.
- El mayor número de Pruebas de Bernoulli que se puede
hacer para un experimento Geométrico es ∞.
- El experimento Geométrico se denota como G(p).

- La ecuación 2.13 permite calcular las probabilidades en un

experimento Geométrico.
P[G ( p ) = k ] = (1 − p )
k −1
p si es necesario realizar k pruebas de Bernoulli
(ec. 2.13)
hasta que ocurra el evento A (k = 1,2,...)
Definición 2.29: Sea un experimento aleatorio que consiste en repetir n veces una
Prueba de Bernoulli con parámetro p. Sea k el número de veces que ocurre el evento
A en esas n pruebas entonces el experimento resultante se conoce como
Experimento Binomial.
♦♦
Notas: - El valor de k, número de veces que ocurre el evento A en

las n repeticiones, es un valor aleatorio.
- El menor valor de k en un experimento Binomial es cero.
- El mayor valor de k en un experimento Binomial es n.
- El experimento Binomial se denota como Bi(n,p).
experimento Binomial.
n
P[Bi(n, p ) = k ] =  (1 − p ) p k
n−k
k = 0, 1, 2,..., n (ec. 2.14)
k
 
Definición 2.30: Sea un experimento Binomial con parámetros n y p. Considere

que el número de Pruebas de Bernoulli es muy grande, (n→∞), y que la
probabilidad del evento A es muy pequeña, (p→0), pero son tales que el producto
np tiende a un valor finito entonces el experimento Binomial resultante se puede
expresar como un Experimento Poisson.
♦♦
Notas: - El valor de k, número de veces que ocurre el evento A en

las n repeticiones, es un valor aleatorio.
- El menor valor de k en un experimento Poisson es cero.
- El mayor valor de k en un experimento Poisson es ∞.
- El experimento Poisson se denota como P(m).
- El valor de m es igual a np.
experimento Poisson.
- El ejemplo 2.55 aclara como se llega a la ecuación 2.15.
m k e −m
P[P(m ) = k ] = k = 0, 1, 2,... (ec. 2.15)
k!

Ejemplo 2.55: Considere un experimento Binomial con parámetros n y p. Entonces
n n!
P[Bi(n, p ) = k ] =  (1 − p ) p k = (1 − p )n−k p k
n−k
k  k!(n − k )!
si se sustituye p = m/n para expresar todo en términos de m y n se obtiene
n −k
  1  2   k − 1   m   m 
mk
P[Bi(n, p = m / n ) = k ] =
11 − n 1 − n ...1 − n  1 − n  1 − n 
 k!        
al tomar el límite cuando n tiende a infinito, de tal forma que m = np sea constante, queda
n
mk  m m k −m
lim P[Bi (n, p = m / n ) = k ] = lim 1 − n  = k! e = P[P(m) = k ]
n →∞ n →∞ k!
♦♦
Ejemplo 2.56: Un estudiante tiene probabilidad de 0.4 de aprobar una asignatura.

Si reprueba la asignatura debe repetir el curso el siguiente semestre hasta que lo
apruebe. Si se considera que la probabilidad de aprobar el curso no cambia semestre
tras semestre entonces se tiene un experimento Geométrico. Las probabilidades de
aprobar la asignatura en la primera, segunda y tercera oportunidad que la curse
serán, respectivamente
P[G (0.4 ) = 1] = (1 − 0.4) (0.4) = 0.4

1−1
P[G (0.4) = 2] = (1 − 0.4) (0.4 ) = (0.6 )(0.4 ) = 0.24

2 −1
P[G (0.4 ) = 3] = (1 − 0.4 ) (0.4) = (0.6 ) (0.4 ) = 0.144

3−1 2
♦♦
Ejemplo 2.57: En una carrera a campo traviesa compiten 6 atletas. Cada

competidor tiene probabilidad de 0.7 de culminar la carrera. La probabilidad de que
culminen la carrera por lo menos 5 atletas se calcula con base en un experimento
Binomial.
Para conseguir la probabilidad solicitada se deben conocer las probabilidades de que

culminen 5 ó 6 atletas, es decir
 6
P[Bi(6,0.7 ) = 5] =  (1 − 0.7 ) (0.7 ) = 6 x (0.3)x (0.7 ) = 0.302526
6 −5 5 5
5
 
6
P[Bi(6,0.7 ) = 6] =  (1 − 0.7 ) (0.7 ) = (0.7 ) = 0.117649
6−6 6 6
6
entonces la probabilidad solicitada será
p = 0.302526 + 0.117649 = 0.420175
♦♦

Ejemplo 2.58: En el departamento de control de calidad de una empresa se revisan

los posibles defectos de los productos terminados. De la experiencia estadística se
sabe que la probabilidad de conseguir un defecto en un producto cualquiera es
0.001. Si se van a revisar 4000 productos, ¿Cuál es la probabilidad de conseguir a lo
sumo 6 defectuosos?.
La probabilidad solicitada se calcula con base en un experimento Binomial, pero

dado que el número de productos es muy grande y la probabilidad de conseguir un
defecto es muy baja, el cálculo se puede apoyar en un experimento Poisson.
6
 4000 
p = P[Bi (4000,0.001) ≤ 6] = ∑  (1 − 0.001)4000− (0.001)
k k
k =0  k 
el lector puede observar que los cálculos para obtener p son muy engorrosos por lo que
se utiliza la aproximación mediante un experimento Poisson con parámetro m = np = 4
6
4 k e −4
p ≈ P[P(4) ≤ 6] = ∑ = 0.889
k =0 k!
♦♦
2.12) PROBLEMAS PROPUESTOS.

APÉNDICE 2.1: RESUMEN DE TEORÍA DE CONJUNTOS.
Este apéndice es un resumen, como su nombre lo indica, de los elementos básicos

de la teoría de conjuntos. Si el lector requiere profundizar más sobre el tema debe
remitirse a textos escritos para tal efecto.
Definición 2.1.1: Un conjunto es toda colección de objetos.

♦♦
Definición 2.1.2: Los objetos que conforman un conjunto se denominan

elementos.
♦♦
Notas: - A los conjuntos se le conocerá con la notación de las primeras

letras del abecedario en mayúscula, es decir, A, B, C,….
- A los elementos de un conjunto se les conocerá con la notación
de letras del abecedario en minúscula, es decir, a, b, c,….
Definición 2.1.3: El conjunto de todos los objetos disponibles se denomina

conjunto universal.
♦♦
Nota: - Al conjunto universal se le conocerá con la notación U.
Definición 2.1.4: Para un conjunto dado, todo conjunto que tenga parte de sus
elementos se denomina subconjunto.
♦♦
Notas: - A es subconjunto de B si se cumple que A ⊂ B . La ecuación

anterior se lee ‘A está incluido en B’.
- Todo conjunto es subconjunto de U.
Definición 2.1.5: Dos conjuntos son iguales si tienen los mismos elementos.
♦♦
Nota: - El conjunto A es igual al conjunto B si se cumple que A ⊂ B y

B ⊂ A.
Ejemplo 2.1.1: Considere el conjunto de los números enteros. Normalmente se le

denomina con la letra Z. Entonces, dentro de este ejemplo, el conjunto Z es el
conjunto universal. El conjunto de los números naturales, N, es un subconjunto de
Z. El conjunto de los números enteros múltiplos de 4 es otro subconjunto de Z.
♦♦
Definición 2.1.6: Un conjunto es vacío si no tiene elementos.

♦♦

Nota: - El conjunto vacío se conocerá con la notación φ .
El conjunto U y diversos conjuntos incluidos el él se pueden representar

gráficamente mediante una figura que se denomina Diagrama de Venn. La Figura
2.1.1 representa un diagrama de Venn, allí se destaca el conjunto universal U y dos
subconjuntos A y B.
A B
Figura 2.1.1: Representación Gráfica de Conjuntos: Diagrama de Venn.
Álgebra de Conjuntos.
Definición 2.1.7: La unión de dos conjuntos A y B es un conjunto C cuyos

elementos pertenecen al conjunto A o pertenecen al conjunto B.
♦♦
Notas: - La operación de unión de conjuntos se conocerá con la notación

∪ . Algunos autores usan la notación ‘+’ para indicar la unión
de conjuntos, a pesar de que se puede crear confusión con la
operación suma de números.
- La operación de unión cumple con las propiedades conmutativa
y asociativa.
Definición 2.1.8: La intersección de dos conjuntos A y B es un conjunto C cuyos

elementos pertenecen tanto al conjunto A como al conjunto B.
♦♦
Notas: - La operación de intersección de conjuntos se conocerá con la

notación ∩ . Algunos autores usan la notación ‘.’ para indicar la
intersección de conjuntos, a pesar de que se puede crear
confusión con la operación de multiplicación de números.
- Si dos conjuntos no tienen elementos comunes su intersección es
el conjunto vacío.
- La operación de intersección cumple con las propiedades
conmutativa y asociativa.
- La operación de intersección es distributiva con respecto a la
operación de unión y viceversa.

Definición 2.1.9: El complemento de un conjunto A es un conjunto cuyos

elementos no pertenecen al conjunto A.
♦♦
Notas: - La operación de complemento de un conjunto se conocerá con la

notación A . Algunos autores usan las notaciones A’ o Ac para
indicar el complemento del conjunto A.
- Los conjuntos A y A no tienen elementos comunes.
Definición 2.1.10: El producto cartesiano de los conjuntos A y B es un conjunto

cuyos elementos son pares ordenados tal que la primera componente pertenece al
conjunto A y la segunda componente al conjunto B.
♦♦
Notas: - La operación producto cartesiano de conjuntos se conocerá con

la notación A x B .
- En general, el producto cartesiano de A y B es distinto al
producto cartesiano de B y A. Esto es, A x B ≠ B x A
A∪ B
A A∩ B
Figura 2.1.2: Diagramas de Venn que Representan Operaciones con Conjuntos.
Definición 2.1.11: El complemento de la unión de dos conjuntos A y B es el

conjunto que resulta de hacer la intersección de los complementos de cada conjunto.
♦♦
Notas: - Esta operación también se conoce como primera ley de De

Morgan.
- La siguiente ecuación expresa en forma específica esta
definición: A ∪ B = A ∩ B
Definición 2.1.12: El complemento de la intersección de dos conjuntos A y B es

el conjunto que resulta de hacer la unión de los complementos de cada conjunto.
♦♦

Notas: - Esta operación también se conoce como segunda ley de De

Morgan.
- La siguiente ecuación expresa en forma específica esta
definición: A ∩ B = A ∪ B
Definición 2.1.13: Un grupo de n conjuntos B1, B2, … Bn, conforman una partición
del conjunto universal U si cumplen con las características siguientes:
n
- UB i =U
i =1
- Bi ∩ B j = φ para todo i ≠ j (i, j = 1,2,...n)

♦♦
U
B2
B1 B3
Bi
Bn
Figura 2.1.3: Partición del Conjunto Universal.

APÉNDICE 2.2: RESUMEN DE TÉCNICAS DE CONTEO.
Este apéndice es un resumen, como su nombre lo indica, de los elementos básicos

de técnicas de conteo. Si el lector requiere profundizar más sobre el tema debe
remitirse a textos escritos para tal efecto.
Estas técnicas tienen base en dos principios matemáticos y lógicos que son el
principio aditivo y el principio multiplicativo que se definen a continuación.
Definición 2.2.1: Sean k conjuntos A1, A2, … Ak, con N1, N2, … Nk elementos,
respectivamente. Si se desea escoger un único elemento, el número de formas
k
distintas será, empleando el principio aditivo, N a = ∑ N i .
i =1
♦♦
Definición 2.2.2: Sean k conjuntos A1, A2, … Ak, con N1, N2, … Nk elementos,
respectivamente. Si se desea escoger un elemento de cada uno de los k conjuntos, el
número de grupos distintos que se pueden formar será, empleando el principio
k
multiplicativo, N m = ∏ N i .
i =1
♦♦
Ejemplo 2.2.1: Al planificar nuestras vacaciones hemos averiguado que para

realizar el viaje existen 3 líneas de autobuses que podemos tomar si deseamos
realizar el viaje por tierra y existen 4 aerolíneas si la intención es tomar un avión.
Entonces, utilizando el principio aditivo, se disponen de (3 + 4) formas distintas de
poder disfrutar de nuestras merecidas vacaciones.
♦♦
Ejemplo 2.2.2: Un producto se arma en tres etapas consecutivas. Para realizar la

primera etapa se dispone de 5 líneas de armado mientras que para la segunda y
tercera se dispone de 4 y 6 líneas de armado, respectivamente. Entonces, utilizando
el principio multiplicativo, se puede armar el producto de (5x4x6) formas distintas.
♦♦
Ejemplo 2.2.3: Se dispone de 12 personas para ocupar el cargo de Jefe del

departamento de producción de la empresa. Entre los restantes se escogerá al
encargado de la línea de productos livianos y, posteriormente, al encargado de la
línea de productos pesados. Para ocupar el primer cargo se dispone de 12 candidatos
pero para ocupar el segundo sólo se dispone de 11 candidatos y sólo 10 para el
tercer puesto por lo que, empleando el principio multiplicativo, se tienen (12x11x10)
formas distintas de ocupar los tres cargos.
♦♦

Ejemplo 2.2.4: Las placas que identifican a los automóviles se forman con tres
letras y tres números. Para conocer el número total de placas que se podrían asignar
se hace uso del principio multiplicativo. Se dispone de 27 letras (incluyendo la ñ) y
de 10 dígitos.
Entonces, pueden existir (27x27x27x10x10x10) = 19683000 placas.

♦♦
Ejemplo 2.2.5: ¿De cuántas maneras diferentes pueden sentarse en una fila tres
hombres y cuatro mujeres si los hombres y las mujeres deben quedar alternados?
Considere los 7 puestos de la fila. Si en la primera posición se coloca una mujer es

factible colocar hombres y mujeres alternados pero, si en esa primera posición se
coloca un hombre será imposible cumplir con el postulado planteado. Para esa
primera posición, en consecuencia, sólo se dispone de las 4 mujeres; para la segunda
sólo se dispone de los tres hombres, y así sucesivamente. En conclusión, existen
(4x3x2x1)x(3x2x1) = 4!x3! = 24x6 = 144 maneras distintas.
♦♦
Ejemplo 2.2.6: ¿De cuántas maneras diferentes pueden sentarse en una fila tres
hombres y cuatro mujeres si los hombres se sientan juntos?
Considere los 7 puestos de la fila. Si en la primera posición se coloca un hombre

entonces en la segunda y tercera posiciones también se colocarán hombres mientras
que en las posiciones restantes se colocarán las mujeres; esto ocurre de 3!x4! = 144
maneras distintas. Ahora bien, los hombres quedaran juntos sólo si comienzan a
sentarse desde la primera posición hasta la quinta posición (5 maneras distintas). En
conclusión, existen 144x5 = 720 maneras distintas.
♦♦
Definición 2.2.3: Sea un conjunto A con n elementos claramente distintos. Si se

desea colocar un elemento en cada una de n posiciones, el número de formas
distintas define las permutaciones de n elementos, esto es, empleando el principio
n −1
multiplicativo, ∏ (n-i) .
i =0
♦♦
Notas: - A las permutaciones de n elementos se les conocerá con la

notación Pn .
- A la productoria que aparece en la definición se le conocerá
como n factorial y se denota por n!. Es decir,
n −1
Pn = ∏ (n-i) = nx(n-1)x(n-2)x…x2x1 = n!
i =0

Ejemplo 2.2.7: Se dispone de n pelotas para colocarlas en n cajas tal que se

coloque una pelota en cada caja. La Figura 2.2.1 muestra las cajas numeradas de la 1
a la n. Para llenar la primera caja se dispone de la n pelotas; una vez llena esa
primera caja, se dispone de (n-1) pelotas para colocar en la segunda caja. Siguiendo
este procedimiento se puede decir que para llenar la caja que ocupa la posición i se
disponen de (n-(i-1)) pelotas y, en consecuencia, para llenar la última caja sólo se
contará con una pelota. Luego las n cajas se podrán llenar de n! formas distintas.
♦♦

desea colocar un elemento en cada una de r posiciones (r ≤ n), el número de formas
distintas como se puede realizar esto define las variaciones de n elementos
r −1
tomados de r en r, esto es, empleando el principio multiplicativo, ∏ (n-i) .
i =0
♦♦
Notas: - A las variaciones de n elementos tomados de r en r se les

conocerá con la notación Vn,r .
- Si los valores de n y r coinciden, las variaciones se reducen al
caso de las permutaciones de la Definición 2.2.4.
- En la definición de variaciones tiene importancia la posición en
que aparecen los elementos en el grupo de r posiciones.
- Si se multiplica y divide la productoria que aparece en la
definición por (n-r)! se consigue una notación compacta en
términos de factoriales. Es decir,
r −1
(n − r )! r −1 n!
Vn ,r = ∏ (n-i) = ∏ (n-i) =
i =0 (n − r )! i =0 (n − r )!
Ejemplo 2.2.8: 15 carros entran en una carrera. ¿De cuántas maneras distintas se
puede premiar a los 3 primeros lugares?.
Para la posición 1 se dispone de los 15 carros, para la posición 2 de los 14 restantes

y para la tercera posición de los 13 restantes, luego hay 15x14x13 = 2730 formas
distintas. Este número es el que corresponde a V15,3.
♦♦
Ejemplo 2.2.9: En el Ejemplo 2.2.4 se consideran las placas de los automóviles.

¿Cuántas placas con las tres letras distintas y los tres números distintos se puede
asignar?.
Para la posición 1 de la placa se dispone de las 27 letras, para la posición 2 de 26

letras y para la tercera posición de los 25 letras restantes, luego hay
27x26x25=17550 formas distintas de colocar las letras. Este número corresponde a
V27,3. Por otro lado, para la posición 4 de la placa se dispone de los 10 números,

para la posición 5 de 9 números y para la última posición de los 8 números

restantes, luego hay 10x9x8=720 formas distintas. Este número corresponde a V10,3.
Ya que tanto las letras como los números deben ser distintos entonces, empleando el
principio multiplicativo, se pueden asignar V27,3 x V10,3 = 12636000 placas.
♦♦

desea escoger un grupo de r elementos (r ≤ n), el número de formas distintas como
se puede realizar esto define las combinaciones de n elementos tomados de r en r.
♦♦
Notas: - A las combinaciones de n elementos tomados de r en r se les

conocerá con la notación Cn,r .
- En la definición de combinaciones no importa considerar el
orden en que aparecen los elementos en el grupo. Como
ejemplo, si se van a escoger grupos de dos elementos, los
elementos a y b sólo se consideran una vez, en lugar de
considerarlos dos veces como en las variaciones.
- La nota anterior proporciona una información interesante: hay
menos combinaciones que variaciones.
- Si se toma una combinación y se permutan todos los elementos
del grupo se consiguen las variaciones de ese grupo. Es decir,
Vn , r n!
Vn ,r = C n ,r Pr ⇒ C n,r = =
Pr r!(n − r )!
- Las combinaciones se pueden expresar mediante una notación
compacta en términos de números combinatorios. Es decir,
n! n
C n,r = =  
r!(n − r )!  r 
Definición 2.2.6: Los números combinatorios, son los coeficientes que resultan
del desarrollo en serie de una suma de dos términos elevada a la potencia n.
♦♦
Notas: - A los números combinatorios también se les conocerá como

coeficientes binomiales.
- La ecuación 2.2.1 muestra el desarrollo en serie de la suma
indicada. También se conoce como Teorema del Binomio de
Newton.
- El número de sumandos en la ecuación 2.2.1 es (n+1).
- Los coeficientes binomiales tienen simetría respecto a la
posición intermedia del desarrollo en serie de la Ecuación 2.2.1
n  n 
lo que se traduce en la propiedad   =   .
r  n − r

- Otra propiedad interesante de los coeficientes binomiales es la

 n   n − 1  n − 1
siguiente   =   +   .
 r   r − 1  r 
(x + y )n = ∑   x k y ( n−k )

n n
(ec. 2.2.1)
k
k =0  
Ejemplo 2.2.10: Se dispone de seis banderas de colores distintos para ser utilizadas
en un curso de señales a distancia. Para emitir un mensaje codificado se utilizan tres
banderas. El procedimiento de emisión de mensajes es levantar en alto cada una de
las tres banderas en forma sucesiva. ¿Qué concepto se debe utilizar para ver cuantos
mensajes distintos se pueden enviar, variaciones o combinaciones?.
En el concepto de variaciones es importante considerar el orden en que se escogen

las banderas ya que eso proporciona un sentido (mensaje) distinto. Si fuese el caso
de que se levantan las tres banderas a la vez entonces, el orden en que se toman
desde la mesa pierde importancia y se estaría hablando de combinaciones.
♦♦
Ejemplo 2.2.11: Calcular el valor de los siguientes números combinatorios.
 5 5! 5! 5x 4 x3!
  = = = = 10
 3  3!(5 − 3)! 3! x 2! 3! x 2
5  5!  5
  = = 10 =  
 2  2!(5 − 2)!  3
8  8! 8 x 7 x 6 x5 7 7 7 7! 2 x 7 x 6 x5
  = = = 70 =   +   = 2  = 2 = = 70
 4  4! x 4! 4 x3x 2 x1 3   4 3 3! x 4! 3x 2 x1
♦♦

Probabilidades PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Probabilidades PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Introducción a la Probabilidad, los Procesos Estocásticos y la Estadística en Ingeniería

Contenido del Capítulo

2.2) ESPACIO MUESTRAL DE UN EXPERIMENTO ALEATORIO.

2.4) DEFINICIONES DE PROBABILIDAD.

2.5) AXIOMAS DE PROBABILIDAD.

2.6) PROBABILIDAD CONDICIONAL.

2.7) PROBABILIDAD TOTAL.

2.8) TEOREMA DE BAYES.

2.9) EVENTOS INDEPENDIENTES.

2.10) EXPERIMENTOS COMPUESTOS.

2.11) PRUEBAS DE BERNOULLI.

2.12) PROBLEMAS PROPUESTOS.

APÉNDICE 2.1: RESUMEN DE TEORÍA DE CONJUNTOS.

APÉNDICE 2.2: RESUMEN DE TÉCNICAS DE CONTEO.

Rafael Díaz Página 2-1 15/10/03

El objeto de la investigación científica es obtener información suficiente para poder

El primer paso de la investigación es conocer la naturaleza del fenómeno, es decir,

Siempre y cuando se pueda repetir un experimento bajo las mismas condiciones y se

- El modelo matemático de la ley de Ohm.

Ahora bien, no siempre es posible repetir un experimento bajo las mismas

- Demanda de energía eléctrica de una ciudad.

Figura 2.1: Experiencia Aleatoria y sus Protagonistas.

Rafael Díaz Página 2-2 15/10/03

Formalmente, usaremos la siguiente definición para un experimento aleatorio.

Definición 2.1: Un experimento aleatorio es aquel en el cual no se puede

En este capítulo se desarrollaran las bases para estudiar estos fenómenos o

2.2) ESPACIO MUESTRAL DE UN EXPERIMENTO ALEATORIO.

Si bien no es posible predecir el resultado de un experimento aleatorio, siempre

Definición 2.2: El espacio muestral de un experimento aleatorio es el conjunto de

Notas: - Al espacio muestral se le conocerá con la notación S. Esta es una

Dada la importancia que tiene la teoría de conjuntos dentro de la teoría de

Definición 2.3: Un espacio muestral de un experimento aleatorio es discreto y

Notas: - Como espacio muestral discreto los posibles resultados pueden

Rafael Díaz Página 2-3 15/10/03

Definición 2.4: Un espacio muestral de un experimento aleatorio es discreto e

Notas: - Como espacio muestral discreto los posibles resultados pueden

Definición 2.5: Un espacio muestral de un experimento aleatorio es continuo si el

Nota: - En un espacio muestral continuo los posibles resultados pueden

Ejemplo 2.1: En el experimento aleatorio de lanzar una moneda los posibles

Ejemplo 2.3: En el experimento aleatorio de lanzar un dado los posibles resultados

Ejemplo 2.4: Considere el experimento aleatorio de observar el número de

Este espacio muestral es discreto e infinito numerable.

Rafael Díaz Página 2-4 15/10/03

Ejemplo 2.5: Considere el experimento aleatorio de lanzar dos dados donde el

Ejemplo 2.6: Considere el experimento aleatorio de medir el voltaje entre un cierto

Ejemplo 2.7: Considere el experimento aleatorio de lanzar la jabalina en una

Ejemplo 2.8: Considere el experimento aleatorio de escoger un número aleatorio

Rafael Díaz Página 2-5 15/10/03

Definición 2.6: Un evento es cualquier subconjunto dentro del espacio muestral.

Notas: - A los eventos se les conocerá con la notación de las primeras

Definición 2.7: El evento complemento del evento A es un subconjunto que

Notas: - El evento complemento de A se conocerá con la notación A .

Definición 2.8: Un evento elemental es un evento que contiene solamente un

Notas: - Es de mucho interés expresar el espacio muestral en función de

Definición 2.9: Un evento compuesto es un evento que contiene más de un

Rafael Díaz Página 2-6 15/10/03

Nota: - Un evento compuesto está conformado de varios eventos

Definición 2.11: El evento imposible es un evento que no contiene ningún

Notas: - El evento seguro es el espacio muestral S.

Ejemplo 2.9: En el Ejemplo 2.3 se describe el espacio muestral del experimento

A ={Cara i / i par}, B ={Cara i / i impar},

Ejemplo 2.10:En el Ejemplo 2.5 se describe el espacio muestral del experimento

A ={(i, j) / i par}, B ={(i, j) / i, j sean impares},