Capitulo 1 Probabilidad 1

ESTADÍSTICA SUPERIOR
CARLOS A. ROJAS Y.
PROBABILIDAD
INTRODUCCION
Si el único propósito del investigador es describir los resultados de una realidad, política,
situación o experimento concreto de la totalidad de una pequeña porción (muestra) del todo,
como por ejemplo: el rendimiento del grado de una escuela, el análisis socioeconómico de
los habitantes de un edificio, las preferencias políticas de un comité de postulados, etc., los
métodos de Estadística Descriptiva, anteriormente utilizados pueden considerarse
suficientes. Sin embargo, si lo que se pretende es utilizar la información obtenida para
extraer conclusiones generales sobre todos aquellos objetos que conforman un todo,
entonces los métodos descriptivos solo constituyen el principio del análisis, y se debe
recurrir a métodos de inferencia estadística, donde se emplea la Teoría de la Probabilidad.
La mayoría de los fenómenos del universo se pueden estudiar considerando una pequeña
muestra de elementos de la población a que atañe el fenómeno, esto se logra seleccionando
dicha muestra lo mas parecida posible a la población mediante un mecanismo al azar o
aleatorio (objetivo) y es precisamente el cálculo de probabilidades la herramienta que nos
suministra las reglas para el estudio de los experimentos aleatorios y que constituye la base
para la estadística inductiva o inferencial. Dicha estadística es la encargada de
determinar los tamaños de muestra acordes con los riesgos de error que estemos
dispuestos a aceptar y la medición de los errores totales que se comenten por efectos del
muestreo, lo que nos da la posibilidad de dar estimaciones por intervalos sobre los
parámetros de la población estudiada.
De alguna manera, el concepto de probabilidad se relaciona o nos recuerda las propiedades
de la frecuencia relativa, ya vistas en la estadística descriptiva, y a partir de estas y junto con
las definiciones de probabilidad condicional y de sucesos independientes se deducen los
teoremas fundamentales del cálculo de probabilidades.

EXPERIMENTO Y SUCESOS ALEATORIOS

Es muy importante el aporte de la teoría de conjuntos cuando se estudia la probabilidad de
ocurrencia de algún resultado de todos los posibles originado por un experimento. En este
 Capitulo 1 Probabilidad 2

orden de ideas vamos a denotar por la letra griega ypsilón ε , a un experimento de

cualquier naturaleza el cual puede ser determinístico, cuando repitiendo exactamente las
mismas condiciones de realización del experimento podemos establecer el resultado
esperado, como ejemplo tenemos que un objeto de cualquier masa partiendo de un estado
inicial en reposo, si se deja caer al vacío desde una torre, siempre llega al suelo con la
misma velocidad: v= 2 gh , siendo g la constante de gravedad y h la altura respectiva; en
general los experimentos físicos son de esta naturaleza. En cambio hay otros experimentos
que aun manteniendo intactas la condiciones iniciales de su realización no podemos indicar
el resultado esperado. Ejemplo: podemos lanzar un dado bien cargado o equilibrado de igual
manera y en las mismas condiciones y aunque conocemos todos los resultados posibles no
podríamos a priori establecer el resultado de su cara. A estos experimentos los vamos a
llamar aleatorios, al azar o estocásticos, y serán en definitiva a los que les prestaremos
nuestra atención. Este último ejemplo nos permite definir el concepto de Espacio Muestral
como el conjunto E de todos los resultados posibles E = { 1,2,3,4,5,6 } , asociados a la

realización de un experimento aleatorio.

Vamos a definir como Evento o Suceso a todo subconjunto del espacio muestral, a los
eventos los vamos a simbolizar por letras mayúsculas A, B, C , D, F , G......
A, B ⊂ E

Debemos distinguir entre sucesos simples o elementales y sucesos compuestos, estos

últimos están compuestos por dos o mas sucesos simples, en el caso del lanzamiento de un
dado todos los valores de cada una de las caras constituyen los sucesos elementales:
{1} , {2} , {3} , {4} , {5} y {6} ; pero por ejemplo podemos considerar el suceso compuesto B:

sacar numero par B = { 2,4,6 } o el suceso compuesto C: sacar numero múltiplo de tres

C = { 3,6 } . Dicho de otro modo un suceso elemental solo contiene un punto del espacio

muestral, en cambio un suceso compuesto, en general llamado suceso aleatorio, puede

 Capitulo 1 Probabilidad 3
tener no uno solo, sino una infinidad de sucesos elementales; y también no contener
ninguno como veremos en la siguiente definición:
Suceso Imposible: es aquel que nunca se verifica o se da como resultado del experimento
aleatorio. Como debe ser un subconjunto del espacio muestral E , la única posibilidad es
que el suceso imposible sea el conjunto vació:
φ ⊂ E ⇒ φ es suceso imposible

Suceso Seguro: es aquel que siempre se verifica después del experimento aleatorio, es
decir, el mismo E .
E ⊂ E ⇒ E es suceso seguro

Suceso contrario: también se llama complementario de A y es el suceso que se verifica si,

como resultado del experimento aleatorio no se verifica A. Se acostumbra a denotarlo como
A:
A ⊂ E ⇒ A = { x ∈ E ∧ x ∉ A}

NOCIÓN DE PROBABILIDAD
El concepto de probabilidad ha evolucionado a lo largo del tiempo, y ha pasado por diversas
formas de presentación. La noción actual de probabilidad es el resultado de una evolución
histórica en la que el sentido del término se ha ido delimitando y enriqueciendo con distintas
aportaciones.
1. Probabilidad de Laplace o Clásica
Si un experimento cualquiera puede dar un número finito de resultados posibles, y no
existe ninguna razón que de privilegio a unos resultados en contra de otros –tiene la
estructura de un juego de azar- se calcula la probabilidad de un proceso aleatorio A, según
 Capitulo 1 Probabilidad 4
la regla de Laplace1 como el cociente entre el número de casos favorables a A, y el de todos
los posibles resultados del experimento:
número de casos favorables a A
P[ A ] =
número de casos posibles

Ejemplo
Calcular la probabilidad de que al lanzar un dado se obtenga un número impar.

Solución: El experimento aleatorio es ε : Lanzar un dado, el espacio muestral es

E = {1,2,3,4,5,6} . Vamos a llamar al suceso A: el resultado sea impar. Por tanto A= {1,3,5} .
Como no suponemos que ninguna de las caras ofrece una probabilidad de ocurrencia
diferente a las demás (el dado no está trucado), podemos aplicar la regla de Laplace para
obtener:
número de casos favorables a A
P[ A ] =
número de casos posibles

número de elementos en A
=
número de elementos en E

número de elementos en {1,3,5} 3 1

= = =
número de elementos en {1,2,3,4,5,6} 6 2

2. Probabilidad Frecuencial o Empirica

En los experimentos aleatorios se observa que cuando el número de experimentos
aumenta, las frecuencias relativas con las que ocurre cierto suceso A , en n ensayos
denotémoslas por f n ( A)
número de ocurrencia s de A ni
f n ( A) = =
n n
Tiende a converger hacia cierta cantidad que denominaremos probabilidad de A:
ni
Prob[ A] = lim f n ( A) = lim
n →∞ n →∞ n

Esta es la noción intuitiva o frecuencial de probabilidad. Fue establecida por autores

como el inglés Ronald A. Fisher (1890-1962) y el autor Richard von Mises (1883-1953).

1
El Marqués de Laplace (1789-1827) establece la definición clásica de probabilidad en su obra Théorie analytique des
probabilites. 1812.
 Capitulo 1 Probabilidad 5
Kerrich, en su obra An experimental introduction to the theory of probability explica como lo
verificó experimentalmente siendo prisionero durante la segunda guerra mundial. Realizó un
experimento consistente en arrojar una moneda en diez conjuntos de mil tiradas cada uno, y
tras contabilizar el número de caras, obtuvo un valor próximo a la frecuencia esperada: ½.
En nuestro caso y para seguir con el ejemplo del lanzamiento de un dado vamos a simular
mediante el programa EXCEL, a través su función aleatoria (=ALEATORIO.ENTRE(1;6)), el
lanzamiento de un dado 500 veces y vamos a ver las veces que aparece el valor seis (6), es
decir en cada oportunidad vamos a calcular el valor respectivo de la probabilidad de obtener
un seis. En la figura siguiente se presenta la evolución de la frecuencia relativa del número
de seis obtenido en el lanzamiento de una moneda en 500 ocasiones. En principio la
evolución de las frecuencias relativas es errática, pero a medida que el número de tiradas
aumenta, tiende a acercarse al valor esperado.
 Capitulo 1 Probabilidad 6
3. Probabilidad Subjetiva
Cuando se estudian fenómenos aleatorios en los que no hay posibilidad de repetición
o experimentación, la probabilidad subjetiva es la cuantificación (subjetiva, por supuesto)
que una persona (o un grupo) hace de un evento, utilizando la información que posee.

Esta conceptualización de la probabilidad es muy aplicada en la empresa, y es

utilizada por la estadística bayesiana, la teoría de la decisión y la teoría de los juegos. Ha
sido tratada por autores como Keynes (1921), Ramsey (1926), de Finetti (1937), Koopman
(1940) y Savage (1954).

Barbancho en Estadística Elemental moderna expone la siguiente visión sobre la

probabilidad subjetiva:
… los estadísticos, en fechas más recientes [... ] han acudido al concepto de la denominada
probabilidad subjetiva, mediante la cual cada persona, o grupo de personas, asigna a un evento un
número que está en función de la verosimilitud percibida o sentida sobre dicho evento, o que
expresa el “grado de creencia” racional depositada en él. Este número puede ajustarse a cualquier
suerte de propiedades; lo más lógico, y es lo que sucede, es que estas propiedades de la
probabilidad subjetiva sean las tres que se cumplen para la probabilidad clásica y la probabilidad
frecuencial , a saber, la no negatividad, la certeza y la aditividad.

4. Probabilidad axiomática o de Kolmogorov

El concepto axiomático de probabilidad fue formulado por Kolmogorov en 19332. Para
ello precisó ciertas leyes o axiomas que debe cumplir una función de probabilidad. Los
axiomas deberían implicar, entre otras, las siguientes cuestiones:
1. La probabilidad solo puede tomar valores comprendidos entre 0 y 1 (es no
negativa).
P : E → [ 0,1] ∴ ∀ A ⊂ E ⇒ P ( A) ≥ 0

2. La probabilidad del suceso seguro es 1.

P ( E ) =1

2
A. Kolgomorov, Grundbegrife der Wahrscheinlichkeitrsechnung (1933). Ed. Springer. Berlín. Hay una traducción inglesa
de N. Morrison, Foundations of the theory of probability (1956). Ed. Chelsea. New York
 Capitulo 1 Probabilidad 7
3. La probabilidad de dos o mas sucesos incompatibles (unión numerable de
sucesos disjuntos), es decir de intersección vacía, debe ser la suma de sus
probabilidades respectivas.

∞  ∞
A1 , A2 ,......, An ,..... ∈ E ⇒ P  Ai  = P[ A1 ] + P[ A2 ] + .......... .... P[ An ] + ...... = ∑P[ Ai ]
i =1  i =1

Curiosamente, con solo estas tres leyes tenemos suficiente para obtener todas las reglas
que se esperan de una función de probabilidad:

A1 A2 A3

A5
A4

A = A1 ∪ A2 ∪ ..... y Ai ∩ A j = φ [ ] [ ] [ ]
⇒ P A = P A1 + P A2 + ....

4. La probabilidad de la intersección de dos sucesos es menor o igual que la probabilidad de

cada uno de los sucesos por separado, es decir,
P [ A ∩ B ] ≤ P [ A] P [ A ∩B ] ≤ P [ B ]

5. La probabilidad de la unión de sucesos es mayor que la de cada uno de los sucesos por
separado:
P [ A ∪B ] ≥ P [ A] P [ A ∪B ] ≥ P [ B ]

Más aún, si los sucesos son disjuntos (incompatibles) ocurre que

 Capitulo 1 Probabilidad 8
A∩B = 0 ⇒ P [ A ∪ B ] = P [ A] + P [ B ]

6. La probabilidad del suceso contrario a A, es [ ]

P A =1 −P [ A]. , lo cual se deduce de
las tres primeras propiedades
[ ] [ ]
P[ E ] =1 = P A ∪ A = P[ A] + P A [ ]
⇒ P A = 1 − P[ A]

7. La probabilidad del conjunto vacío es cero, ya que:

[ ]
P[φ] =1 − P φ =1 − P[ E ] =1 −1 = 0

Lo esbozado en los puntos anteriores indica ciertas propiedades que debe cumplir
una Función de Probabilidad , que de manera verbal podemos resumir como: la función de
probabilidad debe calcularse sobre subconjuntos de E; no es estrictamente necesario que
sean todos, pero sí es necesario que si se puede calcular sobre un conjunto, se pueda
hacer también sobre su complementario, y que si se puede calcular sobre dos conjuntos A y
B, también se puede calcular sobre su unión y su intersección. Cabe señalar, como lo
destaca la definición axiomática de la probabilidad de Kolgomorov, que bastan solo las
tres primeras propiedades para obtener las restantes como una simple consecuencia, tal
como se dedujeron algunas de las últimas propiedades anteriores.
El grafico que se presenta a continuación resume los tipos de probabilidad esbozados
y su estrategia para abordar su cálculo.
 Capitulo 1 Probabilidad 9
PROBABILIDAD CONDICIONADA E INDEPENDENCIA DE SUCESOS
Sea B ⊂ E un suceso aleatorio de probabilidad no nula, P[ B ] > 0 . Para cualquier otro
suceso A ⊂ E , llamamos probabilidad condicionada de A por B , a la cantidad que
representamos mediante P[ A / B ] y que se calcula como:
P[ A ∩ B ]
A ⊂ E ⇒ P[ A / B ] =
P[ B ]
Ejemplo
Se lanza un dado al aire:
a) ¿cuál es la probabilidad de que salga el número 4?
b) Si sabemos que el resultado ha sido un número par, y no disponemos de más
información ¿se ha modificado esta probabilidad?
Solución
El espacio muestral que corresponde a este experimento es:
E = { 1,2,3,4,5,6 }

a) Hemos de calcular la probabilidad del suceso A = { 4} . Si el dado no está

trucado, todos los números tienen la misma probabilidad de salir, y siguiendo la definición de
probabilidad de Laplace,
casos favorables número de elementos en { 4 } 1
P[ 4] = P[ A] = = =
casos posibles número de elementos en { 1,2,3,4,5,6 } 6

Obsérvese que para calcular la probabilidad de A según la definición de Laplace,

hemos tenido que suponer previamente que todos los elementos del espacio muestral
tienen la misma probabilidad de salir, es decir:
P[1] = P[ 2] = P[3] = P[ 4] = P[5] = P[6]

b) Por otro lado, si sabemos que ha salido un número par, de nuevo por la
definición de laplace tenemos
casos favorables número de elementos en 4 1
P[ 4 / Par ] = = =
casos posibles número de elementos en { 2,4,6 } 3

Esta misma probabilidad se podría haber calculado siguiendo la definición de la

probabilidad condicionada, ya que si
 Capitulo 1 Probabilidad 10
1
A ={ 4} ⇒ P[ A] =
6
1 1 1 3 1
B = { 2,4,6 } ⇒ P[ B ] = + + = =
6 6 6 6 2
1
A∩B ={ 4} ⇒ P[ A ∩ B ] =
6
Entonces:

1
P[ A ∩ B ] 6 2 1
P[ A / B ] = = = = ,
P[ B ] 1 6 3
2
que por supuesto coincide con el mismo valor que calculamos usando la definición de
probabilidad de Laplace.
Tambien podríamos considerar la probabilidad inversa de ocurrencia de los eventos
anteriores:

1
P[ B ∩ A] P[ A ∩ B ]
P[ B / A] = = = 6 =1
P[ A] P[ A] 1
6
Lo cual nos indica que obtener un número par al lanzar un dado, dado que salio un cuatro
es un suceso seguro, que denotaremos por: P( S ) = P ( E ) = 1
Obsérvese que según la definición de probabilidad condicionada, la probabilidad de
la intersección de dos sucesos de probabilidad no nula se puede escribir como:

 P[ A] . P[ B / A]
P [ A ∩ B] = 
 P[ B] . P[ A / B]
O sea, la probabilidad de la intersección de dos sucesos, es la probabilidad de uno
cualquiera de ellos, multiplicada por la probabilidad del segundo sabiendo que ha ocurrido el
primero.
 Capitulo 1 Probabilidad 11
Si entre dos sucesos no existe ninguna relación cabe esperar que la expresión “sabiendo
que” no aporte ninguna información. De este modo introducimos el concepto de
independencia de dos sucesos A y B como:

A es independie nte de B ⇔ P[ A ∩ B ] = P[ A] . P[ B ]

Esta relación puede ser escrita de modo equivalente cuando dos sucesos son de
probabilidad no nula como:

 P[ A] = P[ A] P[ B / A]

A e i sn d en pdt eBe Pn[ A] d≠ 0 i≠ Pe [ B] ⇔  o e q u e i vm a e l ne nt e t
 P[ B] = P[ A] P[ A / B]


OPERACIONES CON PROBABILIDAD (reglas elementales del cálculo de probabilidades)

1.) REGLA DEL SUCESO CONTRARIO:

[ ]
P A =1 −P [ A]

2.) PROBABILIDAD CONDICIONADA DEL SUCESO CONTRARIO:

[ ]
P A / B =1 − P [ A / B ]

3.) PROBABILIDAD DEL EVENTO SUMA

Dados dos eventos o sucesos A , B ⊂ E , que no son excluyentes (no
necesariamente disjuntos), es decir que se pueden dar simultáneamente ambos a la vez,
entonces la probabilidad del evento suma

P[ A ∪ B ] = P[ A ∨ B ] = P[ A + B ] = P[ A] + P[ B ] − P[ A ∩ B ] = P[ A] + P[ B ] − P[ A . B ]
 Capitulo 1 Probabilidad 12
Si los sucesos A y B , son disjuntos es decir A ∩B = φ , se dice que los eventos son
mutuamente excluyentes siendo en consecuencia la probabilidad suma:
P[ A ∪B ] = P[ A ∨ B ] = P[ A + B ] = P[ A] + P[ B ] = P[ A] + P[ B ]

La forma de leer esta notación es:

P [ A ∪B ] probabilidad de la unión de los eventos A ó B

P [ A ∨B] probabilidad de que ocurran los eventos A ó B

P [ A + B] probabilidad de que ocurran los eventos A ó B , o probabilidad de la

suma de eventos. De ahora en adelante será esta última notación la que utilizaremos de
aquí en adelante.
4.) PROBABILIDAD DEL EVENTO PRODUCTO
Sean dos eventos o sucesos A , B ⊂E , no necesariamente disjuntos, entonces la
probabilidad de su intersección es:

 P [ A] P [ B / A]

P [ A ∩ B] = 
 P [ B] P [ A / B]

Si los sucesos son independientes es decir A ∩B =φ , entonces:
P [ A ∩B ] = P [ A ∧ B ] = P [ A * B ] = P [ A] * P [ B ]

P [ A ∩ B] Probabilidad de la intersección de los eventos A y B

P [ A ∧B ] Probabilidad de que ocurran los eventos A y B

P [ A* B] Probabilidad de que ocurran los eventos A y B , o probabilidad del

producto de los eventos. De ahora en adelante será esta última notación la que
utilizaremos de aquí en adelante.
Ejemplos.
Para una determinada elección primaria de un candidato de determinado partido, se sabe
que el 50% de los militantes votarían por “A”, el 20 % lo harían por “B” y el 5% lo haría por
cualquiera de los dos, es decir por “A” y por “B”.
a.) ¿Cuál es la probabilidad de encontrar militantes que voten por algún candidato?
b.) ¿Cuál es la probabilidad de encontrar militantes que no voten por ninguno de los
dos?
Solución: a.) P [ A] = 0,5 P [ B ] = 0,2 y P [ A * B ] = 0,05 luego:
 Capitulo 1 Probabilidad 13
P [ A + B ] = P [ A] + P [ B ] − P [ A * B ] = 0,5 + 0,2 −0,05 = 0,65

b.) P [ A * B ] = 1 − P [ A + B ] =1 − 0,65 = 0,35

EJERCICIOS RESUELTOS

1) Un accionista compra en la bolsa tres acciones diferentes. La probabilidad de que la

primera aumente su valor es de 1/3, la probabilidad de que la segunda aumente es 3/4
y la probabilidad de que la tercera aumente de 1/10. Determine la probabilidad de que:
a) Todas aumenten de valor
b) Ninguna aumente de valor
c) Una aumente su valor
d) Dos aumenten su valor
e) Por lo menos dos aumenten su valor
f) Por lo menos una aumente su valor
A Aumenta ; A no aumenta ; P( A) =1 / 3 P( A ) = 2 / 3
B Aumenta ; B no aumenta ; P( B ) = 3 / 4 P ( B ) =1 / 4
C Aumenta ; C no aumenta ; P ( C ) =1 / 10 P (C ) = 9 / 10
 1  3  1  3
a) P( ABC ) = P( A) P( B ) P( C ) =    = = 0,025
 3  4  10  120

b) P( A B C ) = P( A ) P( B ) P (C ) =     =
 2  1  9  18
= 0,15
 3  4  10  120

P( AB C ) = P( A) P( B ) P(C ) =     =
 1  1  9  9
= 0,075
3 4
    10 120

P( A BC ) = P( A ) P( B ) P(C ) =     =
 2  3  9  54
= 0,45
 3  4  10  120
c)
P( A B C ) = P( A ) P( B ) P( C ) =     =
 2  1  1  2
= 0,017
3 4
    10 120
9 54 2 65
P [ Una aumente su valor ] = + + = = 0,542 = 0,075 + 0,45 + 0,017
120 120 120 120
 Capitulo 1 Probabilidad 14

P( ABC ) = P( A) P( B ) P( C ) =     =
 1  3  9  27
= 0,225
 3  4  10  120
 1  1  1 
P( AB C ) = P( A) P( B ) P( C ) =     =
1
= 0,008
 3  4  10  120
d)
P( A BC ) = P( A ) P( B ) P( C ) =     =
 2  3  1  6
= 0,05
 3  4  10  120
27 1 6 34
Pr [ Una aumente su valor ] = + + = = 0,283 = 0,225 + 0,008 + 0,05
120 120 120 120

Pr [ Por lo menos 2 aumenten su valor ] = Pr [ 2 aumenten su valor ] + Pr [3 aumenten su valor ]

e) 34 3 37
= + = = 0,308
120 120 120

Pr [ Por lo menos 1 aumente su valor ] = 1 − Pr [ Ninguna aumente su valor ] = 1 − 18

120
f)
102
= = 0,85 = 1 - 0,15
120

2) Diez unidades de producción se seleccionan de una línea de producción. Tres de estas

10 son defectuosas. Si se deben sacar 5 de las 10, ¿Cuál es la probabilidad de que 2
sean defectuosas?

Una forma de resolverlo es por probabilidades condicionadas:

[ ]
P BBBB B = P[ B ] P[ B ] P[ B ] P B P B[ ] [ ]
= P[ B ] P[ B / B ] P[ B / B * B ] P[ B / B * B * B ] P[ B / B * B * B * B ]
 7 6  5  3  2  1260
=      = = 0,04167
 10   9  8  7  6  30240

Pero lo anterior puede darse de 10 formas distintas, a saber:

BBB BB, BB B BB , BB BB B , BBBB B , BBB B B , B BB BB , BB BB B, B B BBB , BB B
Luego:
P [ De 5 ; 2 sean defectuosa s ] = (10 ) ( 0,04167 ) = 0,4167

Otra forma es usando combinatoria para encontrar el espacio de todos los resultados
posibles (espacio muestral):
Los casos en los cuales podemos obtener tres piezas buenas y dos defectuosas es:
C 37 C 23 = ( 35 ) ( 3) = 105
Y el total de casos que podemos obtener es de : C 510 = 252
Por tanto la probabilidad pedida es:
105
P [Obtener tres buenas y dos defectuosa s ] = = 0,4167 = (41,67%)
252
 Capitulo 1 Probabilidad 15

3) El presidente debe seleccionar 5 miembros de una lista de doce diputados, de los cuales
7 lo apoyan y 5 le hacen oposición. Si el selecciona al azar, ¿Cuál es la probabilidad de
que la mayoría del comité apoye al presidente?.

Hay tres formas de plantear el problema:

La primera manera es buscando todas las formas posibles en que el presidente tenga
mayoría, que es cuando tiene en el comité tres, cuatro o cinco (todos) que lo apoyan. En
este caso buscamos todas las posibilidades en que se pueden combinar los 12 miembros
tomados de 5 en 5, C 512 = 792 . Luego buscamos todas las posibilidades en que tiene
mayoría:
Con tres a favor C37 C 25 = ( 35 ) (10 ) = 350 casos
Con cuatro a favor C 4 C1 = ( 35 ) ( 5) = 175
7 5
casos
Con todos a favor C5 C 0 = ( 21) (1) = 21
7 5
casos.
En total = 546 casos a favor, luego la probabilidad buscada
es: P [ Mayoría apoye al presidente ] = 546 = 0,6894 (68,94%)
792

Segunda forma: Es muy semejante a la primera solo que se calculan las probabilidades
individuales para cada caso en mayoría y estas se suman:
P [ Mayoría apoye al presidente ] =[ 3 a favor ] + [ 4 a favor ] + [ 5 a favor ]
350 175 21 546
= + + = = 0,6894 (68,94%)
792 792 792 792

Y la tercera forma es usando las probabilidades condicionadas:

Identificamos un caso cuando tres están a favor (F) y dos en contra ( F )
P[ FFF F F ] = P[ F ] P[ F ] P[ F ] P[ F ] P[ F ] =
= P[ F ] P[ F / F ] P[ F / F * F ] P[ F / F * F * F ] P[ F / F * F * F * F ]
 7   6   5   5   4  4200
=      = = 0,0442
 12   11   10   9   8  95040
Pero tenemos que estudiar las diferentes formas en que este suceso se puede dar o
permutar:
FFF FF , F
F F FF , FF F
F F , FF
FF F , FF
F F F , F FF F
F , FF FF F , F F F
FF , F
es de 10 maneras posibles, luego:
P [ De 5 ; 3 apoyen al presidente ] = (10 ) ( 0,0442 ) = 0,4419

De la misma forma para el caso de que 4 lo apoyen y solo uno este en contra:
P[ FFF FF ] = P[ F ] P[ F ] P[ F ] P[ F ] P[ F ] =
 7   6   5   4 5 4200
    = = 0,0442
 12   11   10   9   8  95040

Habiendo solo 5 formas de hacer esto:

FFFF F , FFF F F , FF F FF , FF FFF , F FFFF , , luego
P [ De 5 ; 4 apoyen al presidente ] = ( 5) ( 0,0442 ) = 0,2210
 Capitulo 1 Probabilidad 16
Y por último el caso en que todos están con el presidente:
FFFFF , un solo caso en cuyo caso Pr [ Los 5 apoyen al presidente ] = (1) ( 0,0265 ) = 0,0265

Y sumando las tres probabilidades tenemos:

P [ Mayoría apoye al presidente ] = 0,4419 + 0,2210 + 0,0265 = 0,6894 (68,94%)

TABLAS DE CONTINGENCIA Y PROBABILIDAD

Una tabla de contingencia permite identificar las frecuencias asociadas con cada una de
las categorías de una variable (variable fila X), con cada una de las categorías de una
segunda variable (variable columna Y). Cada intersección de fila con columna nos da el
número de individuos que poseen simultáneamente el valor del atributo x en la variable fila
X, y el valor del atributo y en la columna Y.
EJEMPLOS:
1.) La siguiente tabla de contingencia, de los 500 empleados de una empresa, según
clasificación de los empleados por sexo:

TABLA DE FRECUENCIAS
Clasificación de los empleados
Genero (A)dministrativ (O)perativo (S)ervicios
o TOTAL
(H)ombres 120 150 30 300
(M)ujeres 50 140 10 200
TOTAL 170 290 40 500

Los valores en los márgenes derecho e inferior se denominan frecuencias marginales.

Por ejemplo la frecuencia marginal de 300 hombres, está conformada por 120 de
Personal, 150 de Línea y 30 Auxiliares. Asociada a esta tabla podemos construir una
tabla de probabilidad asociada como la siguiente:

TABLA DE PROBABILIDADES
Clasificación de los empleados TOTAL
 Capitulo 1 Probabilidad 17
Genero (A)dministrativo (O)perativo (S)ervicios
(H)ombres 0,24 0,30 0,06 0,60
(M)ujeres 0,10 0,28 0,02 0,40
TOTAL 0,34 0,58 0,08 1,00

Los valores a los márgenes de la tabla se denominan probabilidades marginales. Cada

celda del cuerpo de la tabla representa la probabilidad de intersección de los dos eventos
o categorías asignadas a cada una de las variables, por ejemplo la probabilidad de
seleccionar al azar un miembro del personal sea Hombre y Administrativo es
P [ H . A] = 0,24 . Una probabilidad marginal puede hallarse como la suma de las

probabilidades conjuntas correspondientes, por ejemplo:

P [ H ] = P[ H . A ] + P[ H . O ] + P[ H . S ] = 0,24 + 0,30 + 0,06 = 0,60

Consideremos ahora el cálculo de las siguientes probabilidades:

a) Que el personal sea Administrativo u Operativo
P [ A + O ] = P [ A] + P [O ] = 0,34 + 0,58 = 0,92

b) Que el personal sea Administrativo u Hombre

P [ A + H ] = P [ A] + P [ H ] − P [ A * H ] = 0,34 + 0,60 − 0,24 = 0,70

c) Dado que el personal es Mujer cual es la probabilidad de que pertenezca al

personal administrativo
P [ A * M ] 0,10
P [A/ M ] = = = 0,25
P [M ] 0,40

d) Dado que el personal es Administrativo, cual es la probabilidad de que sea

Mujer
P( A * M ) 0,10
P [ M / A] = = = 0,29
P ( A) 0,34

2.) Con relación a la opinión de aprobar una reforma a la constitución de un país se

entrevistan 100 personas entre jóvenes (17-35 años de edad) y adultos (mayores de 35
años), en cada una de cuatro zonas diferentes de una barriada, obteniéndose los
siguientes resultados:
ZONA A ZONA B ZONA C ZONA D
EDAD (S)I (N)O TOTAL EDAD (S)I (N)O TOTAL EDAD (S)I (N)O TOTAL EDAD (S)I (N)O TOTAL
JOV. (J) 40 30 70 JOV. (J) 60 10 70 JOV. (J) 30 40 70 JOV. (J) 42 28 70
ADUL. (A) 20 10 30 ADUL. (A) 0 30 30 ADUL. (A) 30 0 30 ADUL. (A) 18 12 30
 Capitulo 1 Probabilidad 18
TOTAL 60 40 100 TOTAL 60 40 100 TOTAL 60 40 100 TOTAL 60 40 100

Vamos a suponer que escogemos al azar una persona de la Zona A, y descubrimos que es
joven. ¿Cuál es la probabilidad de que se decida por el Sí? Esto puede escribirse en

40 4
términos de probabilidades como: P[ S / J ] = = . También si usamos la formula de
70 7

P[ S * J ] 40 100 4
probabilidad condicional obtendríamos: P[ S / J ] = = = , el mismo
P[ J ] 70 100 7

resultado. Consideremos ahora la tabla correspondiente a la Zona B , aquí todos los que
están de acuerdo con la opción Sí, son jóvenes, Así hay una relación obvia (no
necesariamente causal). También existe una relación entre estas variables en la opción de
la Zona C, en este caso todos los que son jóvenes dijeron No. Sin embargo cuando
apreciamos la Zona D, aquí el panorama es muy diferente. Aquí no existe una relación
aparente. Por ejemplo el 60% de todas las personas se han decidido por el Sí y también el

 42 * 100 
60%   de los que son jóvenes se han decidido por el Sí. De igual forma el 70% de
 70 

 28 * 100 
todas las personas son jóvenes, y exactamente el 70%   de las personas que se
 40 
manifestaron por el No, son jóvenes. De igual forma también se comportan la comparación
entre el 30% que conforman las personas adultas y el 40% de las personas que se
manifestaron por el No. De esta manera se aprecia que no hay ninguna indicación de que
las características de opinar Sí y ser jóvenes tengan alguna relación entre si.
Evidentemente, la última tabla considerada fue tomada de esta manera para que exhiba
esta propiedad. ¿Cómo buscaríamos estos resultados, sin alterar las marginales?
ZONA D Simplemente aplicando la ecuación de independencia de
EDAD (S)I (N)O TOTAL
60 70 42
P[ S * J ] = P ( S ) . P ( J ) =
JOV. (J) 42 70
dos eventos: = . Las
ADUL. (A) 30 100 100 100
TOTAL 60 40 100
demás celdas se calculan de manera semejante. En este
caso decimos que existe independencia entre los factores de opinión y loa rangos de
edades de las personas. Otra forma sencilla de verificar que en una tabla bidimensional
existe independencia entre los factores que la definen es ver si las filas (columnas) son
 Capitulo 1 Probabilidad 19
combinaciones lineales de las otras filas (columnas), es decir si se pueden obtener las filas
(columnas) mediante la multiplicación de algún factor fijo por otra fila (columnas). En este
caso si multiplicamos cada elemento de la fila 2 por el factor 7 3, obtenemos el elemento
correspondiente de la fila 1, de manera semejante si multiplicamos la columna 2 por el factor
3 2 obtenemos la primera columna.
En la mayor parte de las aplicaciones y/o ejercicios supondremos la independencia de los
sucesos A y B , y luego usaremos esta hipótesis para calcular P[ A * B ] , mediante

P ( A) . P ( B ) . Generalmente, las condiciones físicas bajo las cuales se realiza el

experimento harán posible determinar, si tal suposición es justificada o al menos
aproximadamente justificada.

EJERCICIOS PROPUESTOS
1) En una encuesta de expertos se entrevistaron 500 economistas de la
Academia, la Industria privada y el Gobierno y una de las preguntas era “si la economía
del país podría: ser Estable, Expandirse o podría entrar en un período de Contracción en
el futuro próximo (doce meses)”. Sin embargo, parte de la información se perdió debido a
fallas de tabulación, resultando la siguiente tabla de contingencia parcial:
Curso de la economía
Economistas E(S)table (E)xpansión ( C)ontracción TOTAL
(A)cademia 125 100
(I)ndustria Privada 35 110
(G)obierno 25 40 65
TOTAL 200

Cree una tabla de probabilidad y encuentre las siguientes probabilidades:

a) P ( A) b) P (G ) c) P( A +G ) d) P ( A +C ) e) P ( A * S )
f) P ( A * E ) g) P (G * C ) h) P ( E / A) i) P ( A / E )

2.) En un estudio sobre los niveles de pobreza de un poblado, se tomo una muestra de 120
hogares, obteniéndose la siguiente clasificación de pobreza de acuerdo al nivel educativo
de la población, esbozada en la siguiente tabla, la cual no aparece completa debido a
fallas en la tabulación de los datos:
 Capitulo 1 Probabilidad 20
NIVEL POBRE
EDUCATIVO (E)XTREMO (P)OBRE (N)O POBRE TOTAL
(B)ASICA 10 20 40
(S)ECUNDARIA 20
(U)NIVERSITARIA 10 20
TOTAL 20 60
Se pide:
a) P (B ) b) P ( E * S ) c) P ( N * U ) d) P ( B * P )
Solución: a) 0,332 b) 0,083 c) 0,083 d) 0,167

TEOREMAS FUNDAMENTALES DEL CÁLCULO DE PROBABILIDADES

Para calcular probabilidades cuando el suceso seguro está descompuesto en una
serie de sucesos incompatibles de los que conocemos sus probabilidades (ver figura),
necesitamos introducir la siguiente definición.

A1 A2 A3

A5
A4

Definición. Se dice que una colección A1 , A2 ,...... An ⊂ E de sucesos o eventos, es

un sistema exhaustivo y excluyente de sucesos si se verifican las siguientes relaciones:

n
a.)  Ai = E
i =1

b.) Ai ∩ A j = φ ∀ i ≠ j, es decir son disjuntos dos a dos.

 Capitulo 1 Probabilidad 21

Teorema de la probabilidad total o de la partición

Sea A1 , A2 ,...... An ⊂ E , un sistema exhaustivo y excluyente de sucesos, entonces
n
∀ B ⊂ E ⇒ P [ B ] = ∑ P[ Ai ] . P [ B / Ai ]
i =1

Demostración:
 n  n  n n
P [ B ] = P [ B ∩ E ] = P  B ∩  Ai  = P  ( B ∩ Ai )  = = ∑ P[ B ∩ Ai ] = ∑ P[ Ai ] . P[ B / Ai ]
  i =1  i =1  i =1 i =1

Ejemplo:
Para integrar una comisión se quieren seleccionar candidatos de dos toldas políticas “A” y
“B”, de dos diferentes comités seccionales: S1 y S 2 , utilizando un mecanismo aleatorio,
vale decir usando un dado, se lanza este y si sale alguna cara 3,4,5 o 6 , se escoge un
candidato para la comisión de la seccional 1, que está integrada por 2 militantes del partido
“A” y 3 militantes del partido “B”; de lo contrario se escogerá un candidato de la seccional 2,
que está integrada a su vez por 6 militantes del partido “A” y 2 Militantes del partido “B”.
a.) ¿Cuál es la probabilidad de que el elegido sea del partido “A”?
b.) ¿Cuál es la probabilidad de que sea del partido “B”?
SOLUCIÓN:
En estos casos siempre es conveniente introducir un diagrama de árbol que nos representa
la composición y las respectivas probabilidades de selección como se aprecia en el gráfico:
 Capitulo 1 Probabilidad 22

4 2 8
P [ A / S1 ] = 2 / 5 P[ S1 * A] = P [ S1 ] P [ A / S1 ] = = = 0,27
6 5 30

P [ S1 ] = P [{ 3,4,5,6} ] = 4 / 6
P [ B / S1 ] = 3 / 5
4 3 12
P[ S1 * B ] = P [ S1 ] P [ B / S1 ] = = = 0,4
6 5 30

P [ A / S2 ] = 6 / 8 2 6 12
P[ S 2 * A] = P [ S 2 ] P [ A / S 2 ] = = = 0,25
6 8 48
P [ S 2 ] = P [ {1,2} ] = 2 / 6

P [ B / S2 ] = 2 / 8

2 2 4
P[ S 2 * B ] = P [ S 2 ] P [ B / S 2 ] = = = 0,08
6 8 48

Dado que S1 y S 2 ; forman un sistema exhaustivo y excluyente de sucesos o partición,

entonces:

SELECCIÓN D
a.) la probabilidad de que el elegido sea del partido “A” es:
P [ A] = P [ S1 ] P [ A / S1 ] + P [ S 2 ] P [ A / S 2 ] = 0,27 + 0,25 = 0,52

b.) la probabilidad de que el elegido sea del partido “B” es:

MEDIANTE E
P [ B ] = P [ S1 ] P [ B / S1 ] + P [ S 2 ] P [ B / S 2 ] = 0,4 + 0,08 = 0,48

Es interesante apreciar que el mecanismo de la selección del dado hace más representativa
la participación de los partidos en la comisión, favoreciendo en este caso al partido con
menor número de militantes en las seccionales.

Teorema de Bayes o de la probabilidad inversa 3

3
Enunciado por el reverendo Thomas Bayes (1702-1761), fundamenta la estadística bayesiana y sienta los
principios de la teoría de la decisión en base a la concepción subjetivista de la probabilidad.
 Capitulo 1 Probabilidad 23
Si A1 , A2 ,..., An ⊂ E es un sistema exhaustivo y excluyente de sucesos (partición de

E) y B ⊂ E un suceso del que conocemos todas las cantidades P [ B / Ai ], i = 1,..., n, a

las que denominamos verosimilitudes, entonces se verifica:

[ ]
P Aj / B =
[ ] [
P Aj . P B / A j ] ∀ j = 1,..., n,
n
∑ P [ Ai ] . P [ B / Ai ]
i =1

Demostración: es una consecuencia de la definición de probabilidad condicionada en

términos de la intersección, y del teorema de la probabilidad total:

[
P Aj / B = ] [
P Aj ∩ B ] = P[ A j ] . P[ B / A j ]
P[ B ] n
∑ P[ Ai ] . P[ B / Ai ]
i =1

Ejemplo
Una empresa compra cierto tipo de pieza que es suministrada por tres proveedores:
el 45% de las piezas son compradas al primer proveedor resultando defectuoso el 1%. El
segundo proveedor suministra el 30% de las piezas, y de ellas es defectuoso el 2%. Las
restantes piezas provienen del tercer proveedor, siendo defectuoso el 3% de las mismas.
En un control de recepción de artículos se selecciona una pieza al azar y es
defectuosa. Calcular la probabilidad de que la haya suministrado el segundo proveedor.

Solución: observemos que cada una de las piezas procede de uno y solo uno de los
proveedores (sistema exhaustivo y excluyente de sucesos). Vamos a llamar A1, A2 y A3 al
suceso de que la pieza seleccionada provenga del primer, segundo o tercer proveedor
respectivamente.
Sea B el suceso de que la pieza sea defectuosa. La información que poseemos se
resume en:
Probabilidad de procedencia1 Probabilidad de ser defectuosa2
[ ]
P A1 = 0,45 [ ]
P D / A1 = 0,01
P [ A ] = 0,30
2 P [ D / A ] = 0,02
2

P [ A ] = 0,25
3 P [ D / A ] = 0,03
3

1
Probabilidad a priori de que la pieza proceda de A3
2
Probabilidad de que la pieza suministrada por Aj sea defectuosa
 Capitulo 1 Probabilidad 24

Hemos de calcular P [ A2 / D ] (probabilidad a posteriori de que la pieza suministrarse

el segundo proveedor, sabiendo que es defectuosa). Para ello usamos el Teorema de
Bayes:

P [ A2 / D ] =
[ ] [
P A2 . P D / A2] =
0,02 . 0,30
= 0,33
∑ P [ A ] . P [D / A ]
3
0,45 . 0,01 + 0,3 . 0,02 + 0,25 . 0,03
i i
i =1

El teorema de Bayes nos permite calcular probabilidades a posteriori a partir de

otras probabilidades que son más fáciles de obtener (verosimilitudes y probabilidades a
priori ).
El problema anterior también lo hubiésemos podido resolver de manera más sencilla
elaborando el Diagrama de Árbol respectivo como sigue:
 Capitulo 1 Probabilidad 25

P [ D ] = 0,01 [ ] [ ]
P [ A1 * D ] = P A1 . P D / A1 = 0,45 . 0,01 = 0,0045

P [ D ] = 0,99 [ ] [ ] [ ]
P A1 * D = P A1 . P D / A1 = 0,45 . 0,99 = 0,4455

[ ]
P A1 = 0,45
P [ D ] = 0,02 [ ] [ ] [ ]
P A 2 * D = P A2 . P D / A2 = 0,3 . 0,02 = 0,0060

[ ]
P A 2 = 0,3
P [ D ] = 0,98 [ ] [ ] [ ]
P A2 * D = P A 2 . P D / A2 = 0,3 . 0,98 = 0,2940

P [ D ] = 0,03 [ ] [ ] [ ]
P A3 * D = P A3 . P D / A3 = 0,25 . 0,03 = 0,0075
[ ]
P A 3 = 0,25

P [ D ] = 0,97 [ ] [ ] [ ]
P A3 * D = P A3 . P D / A3 = 0,25 . 0,97 = 0,2425

Transcribiendo la probabilidad pedida obtenemos el mismo resultado:

0,0060 0,0060
P [ A2 / D ] == = = 0,3333
0,0045 + 0,0060 + 0,0075 0,0180

EJEMPLOS GENERALES DEL CAPITULO:

1) Una caja contiene 4 componentes electrónicos malos y 6 buenos. Se sacan dos a la
vez. Se prueba uno de ellos y se encuentra que se bueno. ¿Cuál es la probabilidad de
encontrar el otro también sea bueno?.
 Capitulo 1 Probabilidad 26

Solución: 5
9
2) Supóngase que A y B son dos sucesos independientes asociados con un
experimento. Si la probabilidad de que A o B ocurra es igual a 0.6 , mientras que la
probabilidad de que A ocurra es de 0.4 , determinar la probabilidad de que B ocurra.

Solución: 1 = 0.333
3
3) Veinte artículos, 12 de los cuales son defectuosos y 8 no defectuosos, se
inspeccionan uno después del otro. Si esos artículos se escogen al azar, ¿cuál es la
probabilidad de que:
a) los dos primeros artículos inspeccionados sean defectuosos?
b) los dos primeros artículos inspeccionados sean no defectuosos?
c) entre los dos primeros artículos inspeccionados haya uno defectuoso y uno no
defectuoso?.

Solución: a ) 33 = 0.347 b) 14 = 0.147 c) 48 = 0505

95 95 95
4) Supongamos que tenemos dos urnas de un centro de votación cada una con dos
votos. La urna una tiene un voto “SI” y un voto “NO”, mientras que la urna 2 tiene dos
votos “SI”. Se escoge una urna al azar y de esta se extrae un voto también al azar. El
voto seleccionado resultó un “SI” ¿Cuál es la probabilidad de que el voto provenga de la
urna 2?.

Solución: 2 = 0.667
3
5) Un conjunto electrónico consta de dos subsistemas, digamos A y B , a partir de
una serie de pruebas previas, se presuponen las siguientes probabilidades:
P( A falle ) = 0.20 , P ( B sólo falle ) = 0.15 , P( A y B fallen ) = 0.15 . Calcular las
probabilidades siguientes.
a) P( A falle / B halla fallado )
b) P( A falle solamente )
Solución: a ) 0.50 b) 0.05

6) En una ciudad se publican los periódicos A, B y C. Una encuesta de lectores indica

lo siguiente: 20% lee A, 16 % lee B, 14% lee C, 8% lee A y B , 5% lee A y C, y
 Capitulo 1 Probabilidad 27
2% lee A, B y C . Para un lector de la muestra escogido al azar, calcular la probabilidad
de que
a) no lea ninguno de los periódicos
b) lea exactamente uno de los periódicos
c) lea al menos A y B, si se sabe que lee al menos uno de los periódicos
publicados.
d) Cuales serían los resultados de los puntos anteriores si además de los datos
aportados se sabe que el 12% lee simultáneamente 2 periódicos.

Solución: a ) 0.6 3 b) 0.2 6 c) 8 d ) 0.6 5 0.2 2 8

37 35
7) La siguiente tabla recoge las predicciones referentes a las ganancias por acción
de 1000 títulos distintos realizadas por un analista financiero junto con los resultados
ocurridos clasificados en tres categorías:
PREDICCION

RESULTADO CRECIMIENTO APROX. IGUAL DECRECIMIENTO

CRECIMIENTO 210 82 66

APROX. IGUAL 106 153 75

DECRECIMIENTO 75 84 149

a) Calcular la probabilidad de que si la predicción prevé un decrecimiento de las

ganancias se dé este resultado.
b) Calcular la predicción de que si la predicción realizada prevé un crecimiento de
las ganancia se materialice este resultado.
Solución: a ) 0,514 b) 0,463

8) La gerencia de mercados se especializa en la elaboración de informes sobre las

mejores localizaciones para nuevas tiendas de alimentos en áreas comerciales. Dicha
gerencia clasifica las posibles localizaciones en Buenas, Aceptables y Malas. De todos
los informes realizados para tiendas que prosperaron, la evaluación fue Buena para el
70%, Aceptable para el 30% y Mala para el 50%. También se sabe que el 60% de las
nuevas tiendas Prosperan y que el 40% fracasan.
a) ¿Cuál es la probabilidad de que una tienda elegida al azar que prospere haya
sido calificada como buena?
 Capitulo 1 Probabilidad 28
b) Si las perspectivas de una tienda son clasificadas como buenas, ¿cuál es la
probabilidad de que prospere?
c) ¿Son los sucesos “perspectivas buenas” y “la tienda prospera” independientes
estadísticamente?
d) Si se eligen 5 tiendas al azar, ¿cuál es la probabilidad de que al menos una de
ellas prospere?
Solución: a ) 0,50 b) 0,84 c ) No d ) 0,885

EJEMPLOS:
La teoría de la probabilidad y algunos ejemplos tradicionales generales
 Capitulo 1 Probabilidad 29
En la mayoría de los textos, siempre vamos a conseguir ejemplos con monedas, dados y
cartas, esto en primer lugar es explicado por el origen de los estudios de la probabilidad que
tuvo sus inicios en el establecimiento de métodos para lograr ganar en dichos juegos de
envite y azar, y en segundo lugar, por lo fácil que estos ejemplos la comprensión de los
principios de probabilidad y sus leyes.
A continuación consideraremos algunos experimentos aleatorios de esta naturaleza, su
espacio muestral asociado, algunos eventos de estos espacios y sus respectivas
probabilidades.

TIPO DE ALGUNOS
MUESTREO E
V
# ELEMENTOS PROB. DE
EXPERIMENTO E
ESPACIO MUESTRAL DEL ESPACIO LOS
ALEATORIO REPOSICION MUESTRAL
N
EVENTOS
T
O
S
LANZAR UNA
MONEDA
NA E = {c, s} 2

LANZAR DOS
MONEDAS
NA E = {cc , cs , sc , ss } 4

LANZAR UN DADO NA E = {1,2,3,4,5,6} 6

LANZAR DOS
DADOS
NA {( )
E = 1,1 ; (1,2),.....; (6,5); (6,6)} 36

SELECCIONAR DE UNA BARAJA: UNA CARTA

ESPAÑOLA NA E ={1O,2O,.... SO , CO , RO ,1E ,2 E ,...... RE, ..., RC } 40

POKER NA E ={1C ,2C ,.... JC , QC , KC ,1P,2 P,...... KP ,..., KT } 52

DOS CARTAS

ESPAÑOLA CON E = {(1O,1O );......... ; (1O,1R );......... .......... ..( RC , RC )}

40x40 =1600

SIN E = {(1O,2O );......... ; (1O,1R );......... .......... ..( CC ,1600-40=1560

RC )}
40x39 =1560

POKER CON E = {(1C ,1C );....; (1C , KC ); ( 2C ,1C );......... ...; ( KT , KT )}

52x52=2704

SIN E = {(1C ,2C );....; (1C , KC ); ( 2C ,1C );......... ...; ( QT , 2704-52=2652

KT )}
52x51=2652

DADAS 2 BOLAS (R)OJAS, 4 BOLAS (B)LANCAS Y 6 (N)EGRAS SACAR:

Sacar:

UNA BOLA NA {
E = R 1 , R 2 , B1 , B 2 , B 3 , B 4 , N 1 , N 2 , N 3 , N 4 , N 5 , N 6 } 12
A: Bola roja

B: Bola blanca

C: Bola negra

DOS BOLAS CON {( ) ( )( )

E = R1 , R1 ;..... R1 , N 6 ; R 2 , B1 ;......... .......; (N 6 , N 6 )} 12x12=144
A: bolas de
un solo color

E = {(R1 , R 2 );..... (R1 , N 6 ); (R 2 , B1 );......... .......; (N 5 , N 6 )}

B: Bolas de
12x11=132
SIN 144-12=132
diferente
color

E = {(R1 , R1 , R1 );......... .......... ; (N 6 , N 6 , N 6 )}

A: Bolas de
CON
TRES BOLAS (12)3=1728 dos
colores
B: bolas de

{( ) ( )}
dos

E = R1 , R 2 , R 3 ;......... .......... ; N 4 , N 5 , N 6
12x11x10=1320 Colores
SIN C: Bolas de
tres
colores

BIBLIOGRAFÍA
 Capitulo 1 Probabilidad 30

Meyer Paul. Probabilidad y aplicaciones estadísticas. Fondo Educativo Interamericano S.A.

Caracas.1970.

Wester Allen L. Estadística aplicada a los negocios y a la economía. Tercera edición.

Mcgraw-Hill, Irvin McGraw-Hill. Colombia 2001.

Lind, Douglas A., Marchal, William G., Wathen, Samuel A. Estadística aplicada a los
negocios y a la economía. Doceava edición. McGraw-Hill. Mexico. 2005.

Montiel, A.M., Rius, F., Barón, F.J. Estadística económica y empresarial. Prentice Hall.
España 1997.

Newbold, Paul. Estadística para los negocios y la economía. Cuarta Edción. Pearson.
Prentice Hall. España. Madrid. 2005