INTRODUCCION A LAS PROBABILIDADES:

BREVE HISTORIA DE LA TEORA DE LA PROBABILIDAD: En cuanto al concepto en s, la probabilidad y el azar

siempre ha estado en la mente del ser humano. Por ejemplo:
Sumerios y Asirios utilizaban un hueso extrado del taln de animales como ovejas, ciervos o caballos, denominado
astrgalo o talus, que tallaban para que pudieran caer en cuatro posiciones distintas, por lo que son considerados
como los precursores de los dados.
En el caso de la civilizacin egipcia, algunas pinturas encontradas en las tumbas de los faraones muestran tanto
astrgalos como tableros para el registro de los resultados.
Por su parte, los juegos con dados se practicaron ininterrumpidamente desde los tiempos del Imperio Romano hasta
el Renacimiento, aunque no se conoce apenas las reglas con las que jugaban. Uno de estos juegos, denominado
"hazard", palabra que en ingls y francs significa riesgo o peligro, fue introducido en Europa con la Tercera Cruzada.
Las races etimolgicas del trmino provienen de la palabra rabe "al-azar", que significa "dado". Posteriormente, en
el "Purgatorio" de Dante el trmino aparece ya como "azar".
En la actualidad, ruletas, mquinas tragaperras, loteras, quinielas,..., nos indican que dicha fascinacin del hombre
por el juego, contina.
La historia de la probabilidad comienza en el siglo XVII cuando Pierre Fermat y Blaise Pascal tratan de resolver
algunos problemas relacionados con los juegos de azar. Aunque algunos marcan sus inicios cuando Cardano (jugador
donde los haya) escribi sobre 1520 El Libro de los Juegos de Azar (aunque no fu publicado hasta ms de un siglo
despus, sobre 1660) no es hasta dicha fecha que comienza a elaborarse una teora aceptable sobre los juegos.
Christian Huygens conoci la correspondencia entre Blaise Pascal y Pierre Fermat suscitada por el caballero De
Mr, se plante el debate de determinar la probabilidad de ganar una partida, y public (en 1657) el primer libro
sobre probabilidad: De Ratiociniis in Ludo Aleae, (Calculating in Games of Chance), un tratado sobre juegos de azar.
Se aceptaba como intuitivo el concepto de equiprobabilidad, se admita que la probabilidad de conseguir un
acontecimiento fuese igual al cociente entre
Durante el siglo XVIII, debido muy particularmente a la popularidad de los juegos de azar, el clculo de
probabilidades tuvo un notable desarrollo sobre la base de la anterior definicin de probabilidad. Destacan en 1713
el teorema de Bernoulli y la distribucin binomial, y en 1738 el primer caso particular estudiado por De Moivre ,
del teorema central del lmite. En 1809 Gauss inici el estudio de la teora de errores y en 1810 Laplace, que haba
considerado anteriormente el tema, complet el desarrollo de esta teora. En 1812 Pierre Laplace public Thorie
analytique des probabilits en el que expone un anlisis matemtico sobre los juegos de azar.
A mediados del siglo XIX, un fraile agustino austraco, Gregor Mendel, inici el estudio de la herencia, la gentica, con
sus interesantes experimentos sobre el cruce de plantas de diferentes caractersticas. Su obra, La matemtica de la
Herencia, fue una de las primeras aplicaciones importantes de la teora de probabilidad a las ciencias naturales
Desde los orgenes la principal dificultad para poder considerar la probabilidad como una rama de la matemtica fue
la elaboracin de una teora suficientemente precisa como para que fuese aceptada como una forma de matemtica.
A principios del siglo XX el matemtico ruso Andrei Kolmogorov la defini de forma axiomtica y estableci las bases
para la moderna teora de la probabilidad que en la actualidad es parte de una teora ms amplia como es la teora de
la medida. La probabilidad es la parte de las matemticas que trata de manejar con nmeros la incertidumbre.
La teora de la probabilidad ha sido constantemente desarrollada desde el siglo XVII y ampliamente aplicada en
diversos campos de estudio. Hoy, la teora de la probabilidad es una herramienta importante en la mayora de las
reas de ingeniera, ciencias y administracin. Muchos investigadores se dedican activamente al descubrimiento y
puesta en prctica de nuevas aplicaciones de la probabilidad en campos como medicina, meteorologa, fotografa
desde naves espaciales, mercadotecnia, predicciones de terremotos, comportamiento humano, diseo de sistemas de
computadores y derecho. En la mayora de los procedimientos legales relacionados con prcticas monopolsticas o
con discriminacin laboral, ambas partes presentan clculos probabilsticos y estadsticos para apoyar sus
pretensiones. En los tiempos modernos la teora de la probabilidad es de gran aplicacin en entidades
gubernamentales, compaas de inversin, bancos, seguros, etc., en la toma de decisiones y en la planificacin de
estrategias. El poder predecir con relativa exactitud cuanta demanda tendr un nuevo producto en el mercado,
estimar el costo de produccin, o contratar un seguro, o poder predecir las fallas o xitos en las cosechas, o calcular
el impacto de una poltica del gobierno en el costo de vida de una nacin, son algunos ejemplos en los que interviene
la teora de la probabilidad.
El objetivo bsico de esta teora es la capacidad de cuantificar una medida probable de un determinado evento, es
decir, poder medir el nivel de incertidumbre de un determinado suceso.

CAEPORLICJCGH

CAEPORLICJCGH

CONCEPTOS BASICOS PARA EL ESTUDIO DE LA PROBABILIDAD:

EXPERIMENTOS: Los experimentos o fenmenos son conjuntos de pruebas planeadas y realizadas para obtener
informacin acerca de un problema que se quiere resolver. Un experimento es una observacin de un fenmeno que
ocurre en la naturaleza. Hay dos tipos de experimentos:
a. Experimentos determinsticos: Son aquellos en donde no hay incertidumbre acerca del resultado que ocurrir
cuando stos son repetidos varias veces. Por ejemplo, medir el rea de un saln de clase. Medir la estatura de una
persona adulta. En ambos casos una vez que se conoce el resultado del experimento en una repeticin, entonces se
sabe con certeza lo que ocurrir en la siguiente repeticin. Los experimentos y fenmenos fsicos son
determinsticos.
b. Experimentos aleatorios o de azar: Son aquellos en donde no se puede anticipar el resultado que ocurrir, pero si
se tiene una completa idea acerca de todos los resultados posibles del experimento cuando ste es ejecutado.
Adems, asumiendo que el experimento se puede repetir muchas veces bajo las mismas condiciones se pueden tratar
de construir un modelo que represente el comportamiento del experimento. A continuacin algunos ejemplos:
Exp 1: Lanzar un dado y anotar el nmero que aparece en la cara superior.
Exp 2: Lanzar un par de monedas y anotar el resultado que aparece en cada una de ellas.
Exp 3: Un vendedor de la Enciclopedia Britnica visita tres casas ofreciendo la coleccin y se anota V si vende o N si
no vende en cada casa.
Exp 4: Se anota el nmero de boletos de lotera que hay que comprar hasta ganarse el premio mayor.
Exp 5: Se anota el tiempo que hay que esperar para ser atendidos en un banco
Un experimento aleatorio es un acontecimiento que se caracteriza por las siguientes condiciones:
Se puede repetir gran nmero de veces, y en cada prueba ocurre un resultado al cual llamamos suceso.
En cada prueba del fenmeno ocurre uno y solo uno de los sucesos.
En cada prueba del fenmeno aleatorio no se puede predecir cul de los sucesos que lo integran se va a presentar
(condicin de azar).
Ejercicio: Describa un experimento estadstico y otro no estadstico y explique porque lo es o no.
ESPACIO MUESTRAL O UNIVERSAL: Es el conjunto de posibles resultados de un experimento aleatorio.
Representaremos el espacio muestral por S y cada elemento de l es llamado un punto muestral. A continuacin
daremos los espacios muestrales de cada uno de los experimentos anteriores.
S1 = {1, 2, 3, 4, 5, 6}
S2= {CC,CS , SC, SS}
S3 = {VVV,VVN,VNV, NVV,VNN,NNV, NVN,NNN}
S4 = {1, 2, 3, 4, 5, 6,...}
S5 = { t: t > 0} = [0, )
Los espacios muestrales cuyos elementos resultan de hacer conteos son llamados espacios muestrales discretos y
por lo general son subconjuntos de los nmeros enteros. Algunos de estos espacios muestrales tienen un nmero
finito de elementos y otros no.
De los espacios muestrales mencionados anteriormente 1 S , 2 S y 3 S son espacios muestrales discretos finitos, en
tanto que 4 S es un espacio muestral discreto infinito.
Los espacios muestrales cuyos elementos resultan de hacer mediciones son llamados espacios muestrales continuos
y por lo general son intervalos en la recta Real. S5 es un ejemplo de estos espacios.
EVENTOS O SUCESOS: Un evento es un resultado particular de un experimento aleatorio. En trminos de conjuntos,
un evento es un subconjunto del espacio muestral. Por lo general se le representa por las primeras letras del
alfabeto. A continuacin daremos ejemplos de eventos correspondientes a los experimentos aleatorios definidos
anteriormente.
A: Que salga un nmero par al lanzar un dado. A = {2, 4, 6}
B: Que salga por lo menos una cara. B = {CC, CS, SC, SS}
C: Que el vendedor de enciclopedias venda a lo ms una de ellas. C = {VVV, VVN, VNV, NVV, VNN, NNV, NVN, NNN}
D: Que se gane el premio mayor con menos de 9 boletos comprados. D = {1, 2, 3, 4, 5, 6, 7, 8}
E: Que haya que esperar ms de 10 minutos para ser atendidos. E = {t: t > 10} = (10, )
Los eventos pueden ser:
Evento complementario: Es aquel evento que est compuesto por los eventos que no estn en este evento.

CAEPORLICJCGH

CAEPORLICJCGH

Eventos mutuamente excluyentes: Dos sucesos son mutuamente excluyentes, cuando estos no pueden ocurrir
simultneamente.
Por ejemplo, se lanza un dado la aire y se observan los puntos que aparecen en la cara superior: El espacio muestral
ser: S = {1, 2, 3, 4, 5, 6}.
Considrese ahora el suceso A aparecer en el dado nmero par y el suceso B aparecer nmero impar.
Entonces A = {2, 4, 6} y B = {1, 3, 5}.
Observamos que si aparece par no puede aparecer impar, obviamente, luego ambos sucesos se excluyen
mutuamente. Entonces para que dos eventos sean mutuamente excluyente debe cumplirse que A B=, luego
P(A B) = 0.
Si A y B son eventos no excluyentes, P(A U B) = P(A) + P(B) P(A B)
Ejemplo: En una sala estn reunidos 4 personas, que pertenecen respectivamente al departamento de ventas, al
departamento de compras, al departamento de produccin y al departamento de personal de una empresa que
fabrica neumticos para camiones.
Pertenecer a ventas, produccin o personal, excluye pertenecer a compras.
Sucesos independientes: Dos sucesos E1 y E2 se dicen independientes, si estos no tienen relacin ninguna entre s,
es decir, cuando la ocurrencia o no ocurrencia de uno de los sucesos no afecta a la probabilidad de ocurrencia del
otro evento.
Es decir, si E1 y E2 son dos sucesos y si la ocurrencia de E1 no afecta la ocurrencia de E2, entonces se dice que los
sucesos E1 y E2 son independientes.
Entonces, p(E1E2) = P(E1) x p(E2). A esta propiedad se le denomina regla especial de multiplicacin
Ejemplo: De los artculos producidos por una fbrica, 40% provienen de la lnea 1 y el 60% de la lnea 2. La
escogencia al azar de artculos de cada lnea, para determinar si tienen defectos, son eventos independientes.
Ejercicio: Describa el espacio muestral asociado a cada uno de los siguientes experimentos aleatorios:
- Lanzar tres monedas.
- Extraccin de dos bolas de una urna que contiene cuatro bolas blancas y tres negras.
- El tiempo, con relacin a la lluvia, que har durante tres das consecutivos.
Solucin:
Llamando C a obtener cara y S a la obtencin de sello, obtenemos el siguiente espacio muestral:
- E={(CCC), (CCS), (CSC), (SCC), (CSS), (SCS), (SSC), (SSS)}
Llamando B a sacar bola blanca y N a sacar bola negra, tenemos:
- E={BB,BN,NN}
Si llamamos L al da lluvioso y N al da sin lluvia, para tres das consecutivos se obtiene el siguiente espacio muestral:
- E={(LLL), (LLN), (LNL), (NLL), (LNN), (NLN), (NNL), (NNN)}
Importante: Un espacio muestral E y los sucesos pueden ser representados en diagramas de Venn, como se puede
observar en la siguiente imagen:

En la imagen se representa el espacio muestral E = {1, 2, 3, 4, 5, 6}, correspondiente al experimento aleatorio de

lanzar un dado con sus caras numeradas del 1 al 6. Las zonas amarillas se corresponden a los sucesos A = {2, 3} y
B = {2,5}.

CAEPORLICJCGH

CAEPORLICJCGH

La unin de dos sucesos A y B es el suceso formado por los de A y B. Se representa por A U B. Por ejemplo, dado el
suceso A = {2,3} y el suceso B = {2,5}, la unin ser A U B = {2, 3,5}.

La interseccin de dos sucesos A y B es el suceso formado por los sucesos comunes de A y B. Se representa por
A B . Por ejemplo, dado el suceso A = {2,3} y el suceso B = {2,5}, la interseccin ser A B = {2}.

Ejercicio: Consideremos el experimento aleatorio consistente en lanzar un dado con sus caras numeradas con los
nmeros 2,4,5,6,10 y 12. Sean los siguientes sucesos:
A, consistente en salir un nmero primo.
B, consistente en salir un nmero mltiplo de 3.
C, consistente en salir un nmero mltiplo de 5.
Resolver las siguientes cuestiones.
a) Determine los sucesos A, B y C.
b) Determine los sucesos A U B, A B, A U B U C, A C.
PROBABILIDAD: En la vida cotidiana aparecen muchas situaciones en las que los resultados observados son
diferentes aunque las condiciones iniciales en las que se produce la experiencia sean las mismas. Por ejemplo, al
lanzar una moneda unas veces resultar cara y otras veces sello. Estos fenmenos, denominados aleatorios, se ven
afectados por la incertidumbre.
En el lenguaje habitual, frases como "probablemente...", "es poco probable que...", "hay muchas posibilidades de
que..." hacen referencia a esta incertidumbre.
La teora de la probabilidad pretende ser una herramienta para modelizar y tratar con situaciones de este tipo; Por
otra parte, cuando aplicamos las tcnicas estadsticas a la recogida, anlisis e interpretacin de los datos, la teora de
la probabilidad proporciona una base para evaluar la fiabilidad de las conclusiones alcanzadas y las inferencias
realizadas. Debido al importante papel desempeado por la probabilidad dentro de la estadstica, es necesario
familiarizarse con sus elementos bsicos, lo que constituye el objetivo del presente curso.
Definir adecuadamente probabilidad es casi imposible, sin embargo algunos analticos, dicen que es el porcentaje o
la proporcin de resultados favorables respecto del nmero total de acontecimientos considerados.
La probabilidad es una rama de las matemticas que se ocupa de medir o determinar cuantitativamente la
posibilidad de que ocurra un determinado suceso. La probabilidad est basada en el estudio de la combinatoria y es
fundamento necesario de la estadstica. La creacin de la probabilidad se atribuye a los matemticos franceses del
siglo XVII Blaise Pascal y Pierre de Fermat, aunque algunos matemticos anteriores, como Gerolamo Cardano en el
siglo XVI, haban aportado importantes contribuciones a su desarrollo. La probabilidad matemtica comenz como
un intento de responder a varias preguntas que surgan en los juegos de azar, por ejemplo, saber cuntos dados hay
que lanzar para que la probabilidad de que salga algn seis supere el 50%. Los primeros estudios sobre probabilidad
fueron motivados por la posibilidad de acierto o de fracaso en los juegos de azar, es decir, que tenga ocurrencia o no
un suceso entre varios posibles.
Por ejemplo:
- Al lanzar una moneda, el obtener cara es un acierto de entre dos posibles.

CAEPORLICJCGH

CAEPORLICJCGH

- Al lanzar un dado, el obtener 5 es un acierto de entre 6 posibles.

- Si al sacar una carta de una baraja de 52 y se obtiene un as, esto es 4 de acierto de entre 52 casos posibles.
Situaciones como las anteriores originaron la definicin clsica de probabilidad.
CONCEPTO CLSICO DE PROBABILIDAD: El primero en dar una definicin clsica de probabilidad fue Jakob
Bernoulli en 1713, reformulada despus por Abraham De Moivre de la siguiente manera:
Es una fraccin en la que el numerador es igual al nmero de apariciones del suceso y el denominador es igual al
nmero total de casos en los que es suceso pueda o no pueda ocurrir. Tal fraccin expresa la probabilidad de que
ocurra el suceso. El enfoque clsico de la probabilidad est basado en la suposicin de que todos los resultados del
experimento son igualmente posibles. La probabilidad se calcula de la siguiente manera: Si designamos p(A) la
probabilidad de ocurrencia del suceso A de entre un nmero N de casos posibles, entonces,
()

Probabilidad = () =

El resultado se multiplica por 100 para expresarlo en porcentaje.

Ejemplo: El experimento es lanzar un dado. Cul es la probabilidad de que caiga un dos hacia arriba?
Las caras del dado estn numeradas del 1 al 6, entonces hay una posibilidad de un total de seis de que el nmero 2
1
quede hacia arriba: P(caer 2) = 6 = 0,166 = 16.66 %
Y en nuestros ejemplos anteriores:
a. La probabilidad de obtener cara al lanzar una moneda es: N = 2, F = 1 p(C) = 1/2 = 0.5 = 50%
b. La probabilidad de obtener 5 al lanzar un dado es : N = 6, F = 1 p(5) = 1/6 = 0.167= 16.7 %
c. La probabilidad de sacar as de una baraja de 52 cartas es: N = 52, F = 4, p(as) = 4/52 = 0.0777
Ejemplos:
1. Una urna contiene 3 bolas rojas, 5 blancas, y 4 azules. Hallar la probabilidad de que al sacar una bola sta sea: a.
roja, b. blanca, c. azul
Solucin:
a) F = 3, N = 12, p(r) = 3/12 = 0.25 = 25%
b) F = 5, N = 12, p(b) = 5/12 = 0.417 = 41.7%
c) F = 4, N = 12, p(a) = 4/12 = 0.333 = 33.3%
2. Calcular la probabilidad de que salga "cara" al lanzar una moneda:
E = {C, S}
Casos favorables: 1
Casos posibles: 2
P(C) = (1 / 2 ) x 100 = 50 %
3. Calcular la probabilidad de que salga "3" al lanzar un dado:
E = {1, 2, 3, 4, 5, 6}
Casos favorables: 1
Casos posibles: 6
P(3) = (1 / 6 ) x 100 = 16,6 %
4. Calcular la probabilidad de que salga "un nmero entre 1 y 4 " al lanzar un dado:
E = {1, 2, 3, 4, 5, 6}
Casos favorables: 4
Casos posibles: 6
P(1 Y 4) = (4 / 6 ) x 100 = 66,6 %
5. Calcular la probabilidad de que salga el nmero 76 al sacar una bolita de una bolsa con 100 bolitas numeradas del
1 al 100:
E = {1, 2, 3, 4, 5, 6,, 100}
Casos favorables: 1
Casos posibles: 100
P(76) = (1 / 100 ) x 100 = 1 %

CAEPORLICJCGH

CAEPORLICJCGH

6. Calcular la probabilidad de que salga "un nmero entre 1 y 98" al sacar una bolita de una bolsa con 100 bolitas
numeradas del 1 al 100:
E = {1, 2, 3, 4, 5, 6,., 100}
Casos favorables: 98
Casos posibles: 100
P(1 Y 98) = (98 / 100 ) x 100 = 98 %
Ejercicios
1. Calcula la probabilidad de que al lanzar un dado salga un nmero par:
Solucin: E = {1, 2, 3, 4, 5, 6}
Casos favorables: 3
Casos posibles: 6
P(PAR) = (3 / 6 ) x 100 = 50 %
2. Calcula la probabilidad de que al lanzar una moneda salga "cara" o "sello":
Solucin: E = {C, S}
Casos favorables: 2
Casos posibles: 2
P(C o S) = (3 / 6 ) x 100 = 50 %
3. Calcular la probabilidad de que salga "un nmero entre 1 y 40" al sacar una bolita de una bolsa con 100 bolitas
numeradas del 1 al 100:
Solucin: E = {1, 2, 3, 4, 5, 6,., 100}
Casos favorables: 40
Casos posibles: 100
P(1 Y 40) = (40 / 100 ) x 100 = 40 %
4. Calcula la probabilidad de que un nio nazca un lunes:
Solucin: E = {L, M, M, J, V, S, D}
Casos favorables: 1 Casos posibles: 7
P(L) = (1 / 7 ) x 100 = 14.3 %
5. Calcula la probabilidad de que al elegir un mes al azar este sea del primer trimestre:
Solucin:
E = {E, F, M, A, M, J, J, A, S, O, N, D}
Casos favorables: 3
Casos posibles: 12
P(1ER T) = (3 / 12 ) x 100 = 25 %
6. Se lanzan dos dados al aire y se anota la suma de los puntos obtenidos. Se pide, la probabilidad de que salga 7
Solucin:
E = { Casos posibles: 36 }
Casos favorables:
P(7) = (6 / 36 ) x 100 = 16.66 %
7. Se lanzan dos dados al aire y se anota la suma de los puntos obtenidos. Se pide, la probabilidad de que el nmero
obtenido sea par
Solucin:
E = { Casos posibles: 36 }
Casos favorables: 18
P(PAR) = (18 / 36 ) x 100 = 50 %
8. En una bolsa tenemos 7 bolas rojas, 9 bolas azules y 4 verdes. Extraemos una bola, calcula la probabilidad de que
a) No sea roja
b) Sea verde
c) Sea roja o azul
CAEPORLICJCGH

CAEPORLICJCGH

Solucin:
a) P(no R)=13/20=0,65 x 100 = 65 %
b) P(V)=4/20=0,2 x 100 = 20 %
c) P(RUA)=16/20=0,8 x 100 = 80 %
Ejercicio: De una urna que contiene 2 bolas rojas y 3 azules se extraen simultneamente dos bolas. Hallar la
probabilidad de que las dos sean rojas.
Solucin:
Si designamos R1, R2, las bolas rojas y A1, A2, A3, las bolas blancas, entonces tenemos:
Casos posibles:
R1 R2 + R1 A1 + R1 A2 + R1 A3+ R2 A1 + R2 A2 + R2 A3 + A1 A2 + A1 A3 + A2 A3
Entonces casos posibles = 10 y casos favorables: R1 R2 = 1
Luego p(RR) = 1/10 = 0.1
Ejemplo: Si yo tengo una canasta llena de peras y manzanas, de las cuales hay 20 peras y 10 manzanas. Qu fruta es
ms probable que saque al azar de la canasta?
Solucin: Para este ejemplo tenemos que 30 es el total de frutas en la canasta; es decir los casos posibles. Para
calcular la probabilidad de sacar una manzana mis casos favorables son 10 puesto que existen slo 10 manzanas. As,
aplicando la frmula obtenemos que:
p(m) = 10/30 = 1/3 = 0.3333 33.33%
p(p) = 20/30 = 2/3 = 0.667 66.7%
Como 66,7 es mayor que 33,3 es ms probable que saque una pera, pues hay ms peras que manzanas en la canasta.
Observemos que 33,33% + 66,7% es igual al 100% porque siempre que se saque algo de la canasta es seguro que
sea una fruta.
TIPOS DE PROBABILIDADES:
PROBABILIDAD CONDICIONAL: Para dos eventos cualesquiera A y B en un espacio muestra S, tales que P(A)>
0 con P(A) 0, la probabilidad del evento B dado el evento A, se define por:
P(B/A) = P(A B)
P(A)
Donde:
- P(B/A) es la probabilidad de que ocurra el suceso B condicionada a que haya ocurrido el suceso A.
- P(A B) es la probabilidad del suceso simultneo de A y de B, es decir, P(A B)
- P (A) es la probabilidad a priori del suceso A
Las probabilidades condicionales se calculan una vez que se ha incorporado informacin adicional a la situacin de
partida:
Ejemplo: En un colegio, el 40% de los estudiantes tienen cabellos castaos, el 25% tiene ojos oscuros y el 15% tiene
cabellos castaos y ojos oscuros. Si se selecciona al azar un estudiante:
a. Si tiene cabello castao, cul es la probabilidad de que tenga ojos oscuros?
b. Si tiene ojos oscuros, cul es la probabilidad de que tenga cabello castao?
Solucin:
P(CC) = 0.4
P(OO) = 0.25
P(CC OO) = 0.15
Entonces:
a. P(OO/CC) = 0.15 / 0.4 = 0.375
b. P(CC/OO) = 0.15 / 0.25 = 0.6
Ejemplo: En un estudio sanitario se ha llegado a la conclusin de que la probabilidad de que una persona sufra
problemas coronarios (suceso B) es el 0,10 (probabilidad a priori).
Adems, la probabilidad de que una persona sufra problemas de obesidad (suceso A) es el 0,25 y la probabilidad de
que una persona sufra a la vez problemas de obesidad y coronarios (suceso interseccin de A y B) es del 0,05.
Calcular la probabilidad de que una persona sufra problemas coronarios si est obesa (probabilidad condicionada
P(B/A)).

CAEPORLICJCGH

CAEPORLICJCGH

P (B A) = 0,05
P (A) = 0,25
P (B/A) = 0,05 / 0,25 = 0,20
Por lo tanto, la probabilidad condicionada es superior a la probabilidad a priori. No siempre esto es as, a veces la
probabilidad condicionada es igual a la probabilidad a priori o menor.
Por ejemplo: probabilidad de que al tirar un dado salga el nmero 2, condicionada a que haya salido un nmero
impar.
La probabilidad condicionada es en este caso cero, frente a una probabilidad a priori de 1/6.
PROBABILIDAD COMPUESTA: La probabilidad compuesta (o regla de multiplicacin de probabilidades) se deriva
de la probabilidad condicionada:
La probabilidad de que se den simultneamente dos sucesos (suceso interseccin de A y B) es igual a la probabilidad
a priori del suceso A multiplicada por la probabilidad del suceso B condicionada al cumplimiento del suceso A.
La frmula para calcular esta probabilidad compuesta es: P (A B) = P(B/A) x P(A)
Ejemplo: Sea el suceso A (porcentaje de varones mayores de 40 aos casados) y el suceso B (varones mayores de 40
aos con ms de 2 hijos) y obtenemos la siguiente informacin:
Un 35% de los varones mayores de 40 aos estn casados. De los varones mayores de 40 aos y casados, un 30%
tienen ms de 2 hijos (suceso B condicionado al suceso A).
Calcular la probabilidad de que un varn mayor de 40 aos est casado y tenga ms de 2 hijos (suceso interseccin
de A y B).
Por lo tanto:
P(A) = 0,35
P(B/A) = 0,30
P(A B) = 0,35 x 0,30 = 0,105
Es decir, un 10,5% de los varones mayores de 40 aos estn casados y tienen ms de 2 hijos.
Ejemplo: Sea el suceso A (alumnos que hablan ingls) y el suceso B (alumnos que hablan alemn) y obtenemos la
siguiente informacin:
Un 50% de los alumnos hablan ingls.
De los alumnos que hablan ingls, un 20% hablan tambin alemn (suceso B condicionado al suceso A).
Calcular la probabilidad de que un alumno hable ingls y alemn (suceso interseccin de A y B).
Por lo tanto:
P (A) = 0,50
P (B/A) = 0,20
P (A B) = 0,50 x 0,20 = 0,10
Es decir, un 10% de los alumnos hablan ingls y alemn.
TEOREMA DE BAYES: Cuando se calcula la probabilidad de un fenmeno despus de que ste se haya producido, se
habla de probabilidad a posteriori.
El Teorema de Bayes viene a seguir el proceso inverso al que hemos visto en el Teorema de la probabilidad total:
Teorema de la probabilidad total: a partir de las probabilidades del suceso A (probabilidad de que llueva o de que
haga buen tiempo) deducimos la probabilidad del suceso B (que ocurra un accidente).
Teorema de Bayes: a partir de que ha ocurrido el suceso B (ha ocurrido un accidente) deducimos las probabilidades
del suceso A (estaba lloviendo o haca buen tiempo?).
La frmula del Teorema de Bayes es: P(Ai/B) = P(Ai) x P(B/ Ai)
{P(Ai) x P(B/Ai)}
Ejemplo: El informe meteorolgico ha anunciado tres posibilidades para el fin de semana:
a) Que llueva: probabilidad del 50%.
b) Que nieve: probabilidad del 30%
c) Que haya niebla: probabilidad del 20%.
Segn estos posibles estados meteorolgicos, la posibilidad de que ocurra un accidente es la siguiente:
a) Si llueve: probabilidad de accidente del 10%.

CAEPORLICJCGH

CAEPORLICJCGH

b) Si hay nieve: probabilidad de accidente del 20%

c) Si hay niebla: probabilidad de accidente del 5%.
Resulta que efectivamente ocurre un accidente y como no estbamos en la ciudad no sabemos qu tiempo hizo
(nev, llovi o hubo niebla). El teorema de Bayes nos permite calcular estas probabilidades:
Las probabilidades que manejamos antes de conocer que ha ocurrido un accidente se denominan "probabilidades a
priori" (lluvia con el 60%, nieve con el 30% y niebla con el 10%).
Una vez que incorporamos la informacin de que ha ocurrido un accidente, las probabilidades del suceso A cambian:
son probabilidades condicionadas P (A/B), que se denominan "probabilidades a posteriori".
Vamos a aplicar la frmula:
P(Ai/B) = P(Ai) x P(B/ Ai)
{P(Ai) x P(B/Ai)}
a) Probabilidad de que estuviera lloviendo:
P(A/B) = (0.50 x 0.10) [(0.50 x 0.10) + (0.30 x 0.20) + (0.20 x 0.05)] = 0.05 / 0.12 = 0.416
La probabilidad de que efectivamente estuviera lloviendo el da del accidente es del 41.66 %.
b) Probabilidad de que estuviera nevando:
P(A/B) = (0.30 x 0.20) [(0.50 x 0.10) + (0.30 x 0.20) + (0.20 x 0.05)] = 0.06 / 0.12 = 0.5
La probabilidad de que estuviera nevando el da del accidente es del 50 %.
c) Probabilidad de que hubiera niebla:
P(A/B) = (0.20 x 0.05) [(0.50 x 0.10) + (0.30 x 0.20) + (0.20 x 0.05)] = 0.01 / 0.12 = 0.083
La probabilidad de que hubiera niebla es del 8.33 %.
Ejercicios de aplicacin:
Resuelva cada una de las siguientes situaciones:
Si lanzo un dado:
Cul es la probabilidad de obtener un nmero par?
Cul es la probabilidad de obtener un nmero mayor de 2?
En un saln de clases hay 30 alumnos de los cuales 10 son nias y 20 nios Cul es la probabilidad de que al
elegir un estudiante ste sea nia?
Calcule la probabilidad de obtener tres cuatros al lanzar tres dados.
Calcule la probabilidad de obtener ningn seis al lanzar cuatro dados.
En una poblacin de 2000 habitantes, 80 padecen afecciones cardiacas Cul es la probabilidad de emplear a
alguien proveniente de este lugar, que no est enfermo?
Cul es la probabilidad de obtener 12 al multiplicar los resultados de dos dados correctos?
En una urna hay 10 bolas de colores. 2 son rojas, 4 azules y 4 amarillas. Cul es la probabilidad de que al escoger
una al azar sta sea roja?
Cul es la probabilidad de que al lanzar dos dados correctos la diferencia de sus puntuaciones sea 2?
Si yo sac de la urna una bola azul y una roja. Cul es la probabilidad de que al sacar una bola sta sea azul?
En una colonia se entrevistaron a 50 familias, 10 dijeron transportarse en coche propio a sus trabajos y 30
dijeron utilizar algn transporte pblico. Cul es la probabilidad de que al seleccionar una familia de esa colonia
utilice el transporte pblico?
En un grupo de jvenes hay 5 mujeres y 7 hombres. Cul es la probabilidad de escoger al azar una mujer? Un
hombre?
Un experimento consiste en lanzar simultneamente un dado y una moneda. Construya el espacio muestral
correspondiente. Cul es la probabilidad de caer cara y nmero mayor que 3?
Hallar la probabilidad de sacar una suma de 8 puntos al lanzar un dado.
Se escriben al azar las cinco vocales. Cul es la probabilidad de que la e aparezca la primera y la o la ltima.
Una urna contiene 12 bolas blancas y 8 negras. Si se sacan dos bolas al azar. Cul es la probabilidad de que sean
del mismo color?
Si yo tengo una canasta llena de peras y manzanas, de las cuales hay 20 peras y 10 manzanas. Qu fruta es ms
probable que saque al azar de la canasta?
En una sala de clases hay 20 mujeres y 12 hombres. Si se escoge uno de ellos al azar. Cul es la probabilidad de
que la persona escogida sea hombre?

CAEPORLICJCGH

CAEPORLICJCGH

 En una comida hay 28 hombres y 32 mujeres. Han comido carne 16 hombres y 20 mujeres, comiendo pescado el
resto. Si se elige una de las personas al azar. Cul es la probabilidad de que la persona escogida sea hombre?
En un curso de 30 alumnos 18 son mujeres. Cul es la probabilidad de que al escoger una persona est no sea
mujer?
En la sala de pediatra de un hospital, el 60% de los pacientes son nias. De los nios el 35% son menores de 24
meses. El 20% de las nias tienen menos de 24 meses. Un pediatra que ingresa a la sala selecciona un infante al
azar; si el infante resulta ser menor de 24 meses. Determine la probabilidad que sea una nia.

CAEPORLICJCGH

CAEPORLICJCGH