PROBABILIDAD Y ESTADSTICA: UNIDAD 2.

FUNDAMENTOS DE PROBABILIDAD
material para alumnos

ANTECEDENTES HISTRICOS
Status significa estado en el sentido de situacin, pero tambin El Estado,
donde se incluye y seala el estado de las cosas pblicas. La estadstica
antigua comprenda el segundo significado, la "Descripcin de Estado", es
decir, el estudio de las condiciones polticas, geogrficas y econmicas.
En este sentido, en el siglo VI A. C., Servio Tulio, sexto rey de Roma, estableci
una Constitucin que prevea la reunin de todos los ciudadanos, a fin de que
se distribuyeran en categoras segn los impuestos que pagaban. Tambin en
Helas era habitual hacer una divisin en clases para el censo.
En la Biblia se hace mencin de los censos. La primera parte del Libro de los
Nmeros se refiere a El Censo y dice:
"Yahveh habl a Moiss en el desierto, en la tienda del encuentro, el da
primero del mes segundo, el ao segundo de la salida de Egipto.
Les dijo: "Haced el censo de toda la comunidad de los israelitas, por clanes y
por familias, contando los nombres de todos los varones, uno por uno.
Alistaris, tu y Aarn, a todos los de veinte aos para arriba, a todos los tiles
para la guerra, por cuerpos de ejrcito. Os ayudar un hombre de cada tribu,
que sea jefe de su familia."
Luego se mencionan los encargados de realizar el censo: Elisur, Selumiel,
Najsn, Natanael, etc., cada uno perteneca a una de los doce tribus de Israel
bajo el mando de Moiss. Posteriormente se da el recuento de cada tribu y al
final dice: "Sacado el total de los israelitas de veinte aos para arriba, de todos
los que habitan en Israel, tiles para la guerra, revistados por sus casas
paternas, result el total de revistados: 603,550. Pero los levitas, y su tribu
paterna, no fueron revistados con ellos."
Tambin el evangelio de San Lucas menciona el censo que origin que
Jesucristo naciera en Beln. Dice: "Por aquellos das sali un edicto del Cesar
Augusto mandando empadronar a todo el mundo...y cada cual a la ciudad de
su estirpe. Jos, como era de la casa y familia de David, vino desde Nazaret,
ciudad de Galilea, a la ciudad de David, llamada Beln, en Judea, para
empadronarse con Mara, su esposa, la cual estaba en cinta. Y sucedi que
hallndose all le lleg la hora del parto". Los datos que se tienen de la Edad
Media se limitan casi exclusivamente a inventarios. Carlomagno orden se
hiciera un registro de todos sus dominios, de los bienes privados y se le
informara el resultado. Al transformarse las sociedades medievales en Estados
Polticos, los gobiernos recin formados necesitaban informacin sobre los
recursos del pas, por lo que fue necesario para los nuevos gobernantes
obtener descripciones numricas, con lo que nuevamente fue necesario la
realizacin de censos, reinicindose as su aplicacin.

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

A principios del siglo XVI, por orden de Lord Tomas Cromwell, se empez a
registrar en los libros parroquiales de Inglaterra, en forma sistemtica, los
nacimientos y muertes.
Uno de los primeros trabajos de Descripcin de Estado apareci en Venecia en
1562: "Del Governo et Emministratione di Diversi Regni", de Francesco
Sansovinos. Cien aos despus apareci "Teutscher Frstenstaat" (El Estado de
los Prncipes Teutones), de Veit Ludwig von Seckendorffs.

Entre tanto, en Inglaterra se elaboraba un tipo de estadstica completamente

distinta, la aritmtica poltica, que partiendo de la informacin existente de
nacimientos y muertes, intentaba comparar y observar las variaciones del
nmero de habitantes durante periodos largos de tiempo. Graunt y Petty
realizaron a mediados del siglo XVII el trabajo fundamental. En Alemania esta
orientacin obtuvo el primer xito definitivo con el grandioso esfuerzo de
Johann Peter Sssmilch.
En la poca del renacimiento se intensific el desarrollo de las ciencias
naturales y con ello aument considerablemente la importancia de la
experimentacin, lo cual condujo al problema de los mtodos de medicin e
interpretacin, as como la estimacin de errores aleatorios en la observacin
de los resultados.
El nacimiento de la probabilidad como campo especfico de estudio se realiz
en siglo XVI. Durante esta poca los juegos de azar fueron objeto de un amplio
desarrollo, debido a que la nobleza europea gozaba de completa libertad para
practicar cualquier juego que le sirviera de diversin.
Se sabe que el juego de azar tiene una larga historia. Aproximadamente 3,500
aos A. de J. C. se desarrollaron en Egipto juegos en los que se utilizaban
objetos de hueso, que se pueden considerar los precursores de los dados. En
tumbas egipcias que datan 2 mil aos A. de J. C., se encontraron huesos
cbicos con marcas muy parecidas a las de los dados modernos. Desde
entonces el juego de dados se volvi popular por doquiera.
El primer trabajo sobre probabilidad del que se tiene noticia lo realiz a
mediados del siglo XVI el fsico y matemtico Girolamo Cardano (1501-1576),
quien escribi el trabajo titulado "El libro del Juego de Azar", en el que aparece
la primera discusin sobre probabilidad. Otras personas que realizaron trabajos
en este sentido fueron Galileo Galilei (1564-1642) y Tartaglia.
En 1654 los matemticos franceses Blas Pascal (1623-1662) y Pierre de Fermat
(1601-1665) formularon la teora de la probabilidad cuando lograron obtener
probabilidades exactas para ciertos problemas del juego de azar. Esto fue
posible gracias al intercambio de correspondencia que sostuvieron estos dos
matemticos, originado por las preguntas que haca a Pascal el filsofo francs
y conocido jugador Antoine Gombaud Chevalier de Mr sobre las posibilidades

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

de triunfo en los diferentes juegos. Se puede decir que Pascal y Fermat son los
iniciadores de las matemticas de la probabilidad.
Poco despus se desarrollaron las primeras nociones especficas de la teora de
probabilidad, como son el concepto de valor esperado, el teorema de la suma
para eventos disjuntos y el de la multiplicacin para eventos independientes.
Posteriormente vienen las contribuciones de Jacob Bernoulli (1645-1705) que
elevaron la teora de probabilidades a la categora de ciencia, inicindose as
una nueva poca en su desarrollo. En 1713 se public su libro "El Arte de Hacer
Conjeturas", en donde aparecen los principios del anlisis combinatorio y la
primera demostracin de la ley de los grandes nmeros, lo cual ayud
notablemente a la teora de probabilidades e increment las aplicaciones de la
probabilidad a la estadstica.

Tambin son de este perodo las contribuciones de DeMoivr, Laplace, Gauss,

Lagrange, Poisson, Euler, D'Alambert y Bayes, los cuales permitieron la
aplicacin de la probabilidad en diferentes reas de las ciencias naturales.
Laplace public en 1812 la "Teora Analtica de las Probabilidades".
La influencia de la teora de la probabilidad sobre la estadstica dio resultados
cada vez ms fructferos. El belga Adolphe Qutelet (1796-1874), fue el
primero en aplicar mtodos modernos a conjuntos de datos. Sus contribuciones
cubrieron muchos campos de la estadstica, tales como censos, el desarrollo de
la uniformidad y comparabilidad de estadsticas entre las naciones y la
organizacin de la primera conferencia estadstica internacional. l realiz el
cmputo de todos los tipos humanos existentes, desde el "Homme Moyen"
(hombre medio), hasta los tipos ideales deseados y los anormales en algn
grado. A partir de aqu se cre la base fundamental del trabajo estadstico
futuro: el concepto de distribucin normal, valor medio y desviacin estndar.
Tambin form la Comisin Central de Estadstica, la cual agrup a todos los
estadsticos de su pas de la poca. Debido a su labor e insistencia en la
aplicacin de los mtodos estadsticos, es que se le suele llamar "padre de la
estadstica moderna".
Tambin se debe mencionar la participacin de la escuela rusa, donde
aparecen los notables trabajos de Lobachevski, Bunyakovski, Chebychev y
Lyapounov. Durante este periodo se desarroll la ley de los grandes nmeros y
el teorema del lmite central. Tambin se empez a usar la teora de
probabilidades en la estimacin de errores en fsica y con los trabajos de
Ludwin Boltzmoun (1844-1906) se inici el desarrollo de la fsica estadstica.
Francis Galton (1822-1911), que era primo de Charles Darwin, mostr profundo
inters por las aplicaciones de la estadstica en el estudio de la herencia. Entre
sus contribuciones se pueden mencionar el desarrollo de la regresin y la
correlacin.

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Todo el trabajo estadstico del siglo XIX tuvo como caracterstica, al igual que
los anteriores, el estudio de las grandes masas mediante el anlisis de todos
los datos de la poblacin.
A principios de nuestro siglo, y en definitiva en los aos treinta, se produjo un
cambio notable en el desarrollo de la estadstica: naci la estadstica moderna,
la estadstica inductiva, la estadstica analtica.
La diferencia con la antigua estadstica es que antes se estudiaba cada detalle
en particular tras el penoso esfuerzo de obtener y procesar cuantiosa
informacin. La consigna era abarcar cada vez ms nmeros y sta suele ser
an la idea de la estadstica para el hombre de la calle. La nueva estadstica
busca mtodos que hagan posible obtener conclusiones generales a partir de
pequeas partes de la poblacin llamadas muestras. La palabra clave de la
estadstica moderna es muestra. Esto provoc un giro completo en la
estadstica e hizo que se enriqueciera la teora de probabilidades en este nuevo
contexto, con la formulacin de la probabilidad axiomtica y la diversificacin
de sus aplicaciones.
Aqu se desarroll la estadstica como una rama de la alta matemtica, con
procedimientos propios como es el anlisis de variancia, el clculo de regresin
y correlacin y los ensayos de hiptesis, con sus numerosos mtodos de
trabajo.

Destacan en este siglo las contribuciones de Karl Pearson (1857-1936), al que

se debe la distribucin ji-cuadrada;.William S. Gosset (1876-1937), quien
escriba bajo el seudnimo de "Student" y dedujo la distribucin "t". Estas dos
distribuciones fueron decisiva para el estudio de las pequeas muestras; Sir
Ronald Alymer Fisher (1890-1962), quien encontr la conocida distribucin "F"
que es de aplicacin fundamental en la teora de variancias; G.U. Yale;
Kolmogorov, que present el primer tratamiento axiomtico de la teora de
probabilidades; Jerzy Neyman, que fue uno de los creadores de la teora del
muestreo.
En todos los campos de la ciencia ocurre que el trabajo altamente calificado
slo puede ser realizado por especialistas. Sin embargo, los principios bsicos
de esta rama del saber son requeridos por todo mundo, ya sea en el trabajo o
en la vida privada y los mtodos y afirmaciones estadsticas son cada vez ms
significativas.
MODELOS MATEMTICOS
Una de las herramientas principales utilizadas en la estadstica son los
modelos, los cuales constituyen representaciones de problemas y situaciones
de la vida.
Un modelo es una representacin que describe en forma simplificada el
comportamiento de un fenmeno o experimento o un objeto real.
4

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Los modelos pueden ser representaciones fsicas, grficas y simblicas o

matemticas. Los modelos fsicos se usan principalmente para hacer
simulaciones. Se llama simulacin a un experimento realizado sobre el modelo
de un sistema. Como ejemplos de modelos fsicos podemos mencionar el
geoide, que pone de manifiesto la forma de nuestro planeta y la distribucin y
forma de los continentes y ocanos, la topografa, etc.; un avin a escala, que
se utiliza en los tneles aerodinmicos para conocer su comportamiento y
estabilidad ante diferentes condiciones atmosfricas ah simuladas; una
maqueta, que es la representacin a escala de un edificio o construcciones en
general, etc.
Entre los modelos grficos se pueden mencionar los diagramas, planos,
bocetos, grficas y dibujos que se utilizan para representar la imagen de una
idea.
Los modelos simblicos o matemticos estn constituidos por todas las
ecuaciones matemticas requeridas para representar satisfactoriamente un
fenmeno o experimento. Cuando se usan los modelos matemticos, a veces
es posible determinar, mediante un proceso deductivo, cules sern los
resultados de un experimento sin realizarlo. Generalmente esto ahorra tiempo,
trabajo y dinero, y proporciona resultados an ms precisos que los que se
pueden obtener por medio de la simulacin.
Los modelos son tiles en diferentes formas, entre las que se pueden
mencionar:
Ofrecen una forma relativamente barata y segura de probar las ideas antes de
ponerlas en prctica. As, si se desea construir un nuevo barco, primero se
deben hacer dibujos, clculos y modelos de prueba antes de construir el barco.
Proporciona una versin simplificada de algn problema o situacin de la vida
real, concebida para resaltar ciertos aspectos del problema, sin tener que
analizar todos los detalles. As, un modelo se utiliza destacando los aspectos de
inters y haciendo a un lado otros detalles que no tienen mucha relacin con el
problema. Por lo tanto, el modelo ayuda a reducir la complejidad del problema.
Permiten la comunicacin de una idea o concepto. De esta forma, los planos,
bocetos y maquetas permiten al arquitecto transmitir la idea que tiene sobre el
tamao, distribucin y aspecto de una construccin.
Para poder utilizar correctamente un modelo, es necesario conocer bien el
problema y definirlo con precisin, que es uno de los aspectos ms importantes
en la solucin de todo problema. Un error que se presenta frecuentemente es
que las personas prestan poca atencin a la definicin del problema, lo cual da
como resultado un trabajo de mala calidad o la repeticin del mismo. Otro
requerimiento en el uso de los modelos, es que obliga a los usuarios a
identificar las reas en las que el conocimiento o la informacin son deficientes
y en las que se requiere de mayor esfuerzo o de mayores conocimientos.

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

La probabilidad, por su esencia, requiere del uso de modelos grficos y

matemticos. Los modelos grficos los usa para presentar la informacin y los
matemticos para procesar la misma y hacer inferencias con ella. Por ejemplo,
el muestreo es una herramienta que sirve para hacer inferencias. Pongamos el
caso que se tenga una urna con canicas de diferentes colores (poblacin). Es
posible tomar una parte de la poblacin (muestra) y clasificar las canicas segn
el color, lo cual dar idea de la forma en que se distribuyen los colores de la
poblacin.
Al plantear un problema estadstico, se deben buscar los mtodos y
procedimientos adecuados para la solucin y representarlos mediante un
modelo matemtico. El xito que se obtenga depender de cuan fiel y
completamente represente el modelo al problema y de que tan bien se puedan
deducir soluciones al modelo una vez que este se ha elaborado.
FENMENOS Y EXPERIMENTOS DETERMINSTICOS
Se dice que un fenmeno o experimento es determinstico si sus resultados
son predecibles.
Algunos ejemplos de fenmenos o experimentos determinsticos son los
siguientes: si se calienta el agua hasta una temperatura de 100 C a una
presin de una atmsfera (760 milmetros de mercurio), siempre se llegar al
punto de ebullicin; si un cuerpo se encuentra en el cero absoluto (0 K =
-273.16 C), los electrones de sus tomos se encuentran en su estado mnimo
permitido de energa; si a un cuerpo se le aplica una fuerza, el cuerpo tiene
una reaccin de la misma intensidad y en sentido contrario que la fuerza
aplicada; si un cuerpo se encuentra en reposo y se deja caer en el vaco desde
una misma altura, su velocidad de impacto en el suelo siempre ser la misma,
etc.
Fenmenos y Experimentos Aleatorios
Se dice que un fenmeno o experimento es aleatorio si sus resultados son
impredecibles y dependen del azar.
Los experimentos aleatorios tienen algunas caractersticas que es conveniente
mencionar:
Son de tal naturaleza que resulta imposible saber cul ser un resultado
particular, pero si es factible definir el conjunto de todos los resultados
posibles.
Puede repetirse cuantas veces se desee sin cambiar las condiciones en que se
realiza.
Los resultados del experimento ocurren de manera aleatoria.
Como ejemplos de fenmenos o experimentos aleatorios podemos mencionar:
la precipitacin de una tormenta; la intensidad de un temblor; la temperatura,
luminosidad y humedad atmosfrica en un lugar a una hora determinada; el
6

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

resultado al lanzar una moneda; el color de la canica que se extrae de un

recipiente que contiene canicas de diferentes colores; la hora de llegada de un
alumno a la escuela; el monto de las ventas en un da en un supermercado; el
tiempo de vida de un transistor; la calificacin obtenida por un estudiante en
un examen de admisin a una escuela; la intensidad de ruido en un instante
dado en determinado lugar de una poblacin, etc.
Todo lo anterior deja ver claramente que es imposible asegurar la ocurrencia o
no ocurrencia de un resultado particular de un fenmeno o experimento
aleatorio y slo se puede proporcionar cierta medida del grado de certidumbre
que se tenga, la cual se obtiene mediante el uso de modelos matemticos que
nos proporciona la probabilidad.
TEORA ELEMENTAL DE PROBABILIDAD
La probabilidad es el medio por el cual a partir de la informacin contenida en
una muestra, tomamos decisiones o hacemos afirmaciones que se refieren a
toda un poblacin mediante el proceso llamado inferencia estadstica.
La probabilidad y la estadstica se refieren a situaciones diferentes y por tanto
resuelven problemas distintos. Sin embargo, las dos se complementan. Por
ejemplo:
Un problema de probabilidad: Se lanza un dado balanceado una vez. Cul es
la probabilidad de obtener tres puntos? Como el dado puede caer de seis
formas posibles y slo una de stas corresponde a tres, diramos que tenemos
de seis probabilidades, slo una de acertar. En trminos de probabilidad,
decimos que sta es de

1
6 . Se observa que para solucionar este problema

partimos de un total nmero de formas como puede concluir el lanzamiento

del dado (poblacin), para responder una situacin particular obtener tres
puntos (muestra). Esto es, se ha razonado de lo general a lo particular.
Un problema de estadstica inferencial: Se lanza un dado para determinar si
est balanceado o no. Para tal propsito se lanz 20 veces y siempre se
observ dos puntos, Qu podemos pensar de este dado? La respuesta es que
el dado no est balanceado, porque de estarlo, y si se tiene en cuenta que en
este caso cada una de las caras tiene la misma probabilidad de darse, sera
muy extrao el hecho de que slo se observe dos puntos.
Note que en la solucin de este problema partimos de un hecho particular
observar siempre dos puntos para concluir sobre la situacin de un todo (el
dado no est balanceado) basndonos en la probabilidad que tiene cada
resultado de darse.
La probabilidad nos permite estudiar o analizar los fenmenos o procesos
llamados aleatorios.

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Un experimento se dice aleatorio cuando puede concluir de diversas maneras

sin que sea posible predecir con certeza qu resultado particular va a ser
observado.
Ejemplos de experimentos aleatorios son los siguientes:

Lanzamiento de un dado.
Peso de una persona.
Los valores de las acciones de cierta empresa en el da de maana.
El estado del tiempo atmosfrico en el da de maana.

En cada uno de los casos anteriores est presente la incertidumbre (la cual se
mide mediante la probabilidad); pero sta se presenta en diferentes formas.

Para el caso del dado, por mucho que lo lancemos siempre nos
encontramos con el mismo nivel de incertidumbre en cuanto a qu
resultado particular va a darse en el prximo lanzamiento.
Para el caso del pesaje de una persona, la incertidumbre slo se da
antes de pesarla por primera vez; despus es un resultado relativamente
conocido.
Para los casos de los valores de las acciones y el estado del tiempo, la
situacin particular que se d, maana no vuelve a repetirse nunca y as
su evaluacin probabilstica es de carcter subjetivo.

Para ilustrar el uso de la probabilidad en la toma de decisiones, considrese el

siguiente ejemplo: Una compaa produce un detergente lquido que envasa en
botellas de 500 ml, las que son llenadas por una mquina. Debido a que las
botellas que contienen una cantidad mayor de 500 ml representan una prdida
para la compaa y todas aquellas que contienen una cantidad menor
constituyen una prdida para el consumidor (lo que puede desencadenar una
accin legal contra la compaa), la compaa realiza esfuerzos necesarios para
mantener el volumen neto promedio en un nivel de 500 ml. Para mantener un
control apropiado se ide el siguiente esquema de muestreo: se seleccionarn
10 botellas del proceso de llenado, cuatro veces durante el transcurso del da y
se determinar su contenido neto promedio. Si se encuentra entre 498 y
502ml, inclusive, el proceso se considerar bajo control; de otra manera se
encontrar fuera de control. En este caso se detendr el llenado, llevando a
cabo todos los esfuerzos necesarios para determinar la causo, se es que sta
existe. Con toda seguridad y para cualquiera de las dos situaciones se tienen
riesgos. Si el proceso se considera bajo control, podra encontrarse fuera de
ste, y la compaa puede estar perdiendo producto o sujetndose a una
accin legal por parte de las correspondientes oficinas de gobierno. Por otro
lado si el proceso se considera fuera de control, puede en realidad encontrarse
bajo control y la compaa estar intentando localizar una falla inexistente. La
evaluacin de estos riesgos slo puede hacerse de manera efectiva a travs
del uso de la probabilidad.
ESPACIO MUESTRAL Y EVENTOS.
8

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

A nosotros nos interesan los resultados posibles al realizar un experimento u

observar un fenmeno aleatorio.
Entenderemos por EXPERIMENTO un proceso o actividad que conduce a un
resultado u observacin.
Al conjunto de todos los resultados posibles de un experimento aleatorio u
observaciones posibles de un fenmeno aleatorio, se le llama ESPACIO
MUESTRAL y se denota con la letra S.
Tambin se tiene que:
A cada resultado particular de un experimento o fenmeno aleatorio se le llama
ELEMENTO del Espacio Muestral.
Un Espacio Muestral puede ser finito o infinito, dependiendo de si se pueden o
no cuantificar sus elementos.
Evento y Espacio de Eventos
En un Espacio Muestral pueden existir algunas caractersticas distintivas y estar interesados en los
elementos que pertenezcan a un conjunto especfico al que llamaremos Evento.
Por ejemplo, un espacio muestral puede estar constituido por los estudiantes
de una Escuela de Enseanza Superior. Ah pueden haber diferentes conjuntos
que cumpla cada uno con determinada caracterstica, como: los estudiantes
que tengan ms de 20 aos, los que usan lentes, los que juegan basquetbol,
los que asisten a clases en el turno matutino, los que pesan menos de 75
kilogramos, los que miden ms de 1.73 metros, etc. Cada uno de estos
conjuntos es un evento.
Al conjunto de todos los eventos posibles de un espacio muestral se le llama
ESPACIO DE EVENTOS.
El concepto de evento es una herramienta bsica en la construccin de
modelos matemticos. Sin embargo, la importancia prctica estriba en la
ocurrencia del evento. As, podemos decir que un evento A ocurre si y slo si el
resultado que se observa al realizar un experimento es un elemento del
conjunto A.
Por ejemplo, si definimos el evento

B={ x|x es par }

y al lanzar una dado

el resultado es 4, entonces decimos que el evento B ocurre, ya que el elemento

4 pertenece al conjunto de los pares.
Un evento debe estar bien definido, de forma que no exista duda al
decidir si un elemento pertenece o no al evento.
Eventos Elementales y Eventos Compuestos

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Se llama evento elemental al que solamente contiene un elemento del espacio

muestral y se representa con una letra minscula. Evento compuesto es el que
consta de dos o ms elementales y se representa con una letra mayscula.
De acuerdo a lo anterior, si se lanza un dado hay seis eventos elementales, que
son {1}, {2}, {3}, {4}, {5}, {6} y el conjunto de los seis nmeros es el

S 1, 2, 3, 4, 5, 6

espacio muestral del experimento, por lo que:

Eventos compuestos de dicho espacio pueden ser, por ejemplo,

A x x es non

C x x es mltiplo de 3

,
que se expresan en la forma siguiente

A = 1, 3, 5

C = 3, 6

y
.
Si se lanza una moneda, los resultados posibles (elementos) son cara y cruz y
el conjunto de los dos resultados es el espacio muestral del experimento S=
{cara, cruz}.
Ejemplo: Los artculos provenientes de una lnea de produccin se clasifican
en defectuosos (D) y no defectuosos (N). Se observan los artculos y se anota
su condicin. Este proceso se contina hasta que se produzcan dos artculos
defectuosos consecutivos o se hayan verificado cuatro artculos, lo que ocurra
primero. Describa el espacio muestral para este experimento.
Solucin.
El espacio muestral estar constituido por todos los posibles resultados
que se puedan obtener, que son:

Ejemplo: Si tenemos cinco fichas numeradas del 1 al 5, en donde las fichas 1,

2 y 3 son defectuosas y extraemos sin reemplazo dos de las cinco fichas,
encontrar el espacio muestral y los siguientes eventos:

A = x x es ninguna ficha es defctuosa

B = x x es una ficha defctuosa

C = x x es dos fichas son defctuosas

Solucin:

10

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Evento Vaco
Un evento que no contiene elementos se llama evento vaco o evento
imposible y se representa con la letra

Como ejemplos de eventos vacos tenemos:

En

el

caso

del

A= { x|x el resultado es cero }

lanzamiento
o

de

un

B={ x|x el resultado es cero }

dado

los

eventos

son eventos vacos o

imposibles, ya que no pueden ocurrir.

Otros eventos vacos son:

C = x x son los numeros naturales tales que 3 < x < 4

B = x x son los oceanos de agua dulce

ALGEBRA DE EVENTOS
En la definicin de evento se pudo apreciar que un evento es un conjunto, por
lo que los eventos heredan las propiedades y teora general de los conjuntos.
Diagrama de Venn
Al trabajar con relaciones y operaciones de conjuntos, es til disponer de un
sistema grfico de representacin que permita visualizar lo que ocurre e
interpretar mediante diagramas las deducciones lgicas correspondientes.
El diagrama de Venn, tambin conocido como de Venn-Euler, llamado as en
honor del matemtico ingls John Venn (1834-1882), que perfeccion la idea
original del matemtico suizo Leonardo Euler (1707-1783), es un dibujo
mediante el cual se pueden ilustrar las relaciones y operaciones que hay entre
los eventos.
En las aplicaciones de la teora de probabilidades trataremos ms
frecuentemente con dos o ms eventos relacionados entre s, que con un solo
evento independiente, por lo que es conveniente ver las siguientes relaciones.
11

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Evento Unin
Sean A y B dos eventos cualesquiera del espacio de eventos. La unin de los eventos A y B es el
evento que consta de los elementos que pertenecen tanto a A como a B y se representa por (A

B).

Al trabajar con eventos la expresin al menos implica la unin de los eventos.

La representacin algebraica y en el diagrama de Venn de la unin es:

(A B) = x x A o x B

Ejemplo: En el experimento de lanzar un dado, la unin de los eventos

A x x es par

B x x2

y
por lo que la AB es:
Solucin:

A B x x es par o x > 2
es el evento

Ejemplo: Sea el espacio muestral formado por los dgitos 0, 1, 2, 3, 4, 5, 6, 7,

A = x x el numero es par
8,

sean

los

eventos

B = x x el numero es mayor que 6

.
La unin de los eventos A y B ser AB .
Solucin:

Ejemplo: Sea el evento A formado por las vocales {a, e, i, o, u} y el B por las
letras {a, b, e}, entonces
AB es:
Solucin:

12

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Evento Interseccin
Sean A y B dos eventos cualesquiera del espacio de eventos. La interseccin de los eventos A y B es
el evento que contiene los elementos que simultneamente pertenecen a A y a B y se represente por
(A

B).
La representacin algebraica y en el diagrama de Venn de la interseccin

es:

(A B) = x x A y x B

Ejemplo: Si el evento B est formado por los aficionados al basquetbol y el

conjunto C por los aficionados al ciclismo, el evento (B
los que sean aficionados a los dos deportes.

Ejemplo: Sean los eventos

RT es.

R = 1, 2, 3, 4, 5

C) estar formado por

T = 2, 4, 6, 8

, entonces

Ejemplo: Sea el experimento que consiste en lanzar un dado legal. Si tenemos

D x x es par
los eventos
Solucin:

E x x es divisible entre tres

y

, entonces (DE) es:

Ejemplo: Se lanzan dos dados y se registra la suma de los resultados. Si

A x x es non
definimos los eventos
Solucin:

B= x 2 x 9
y

, entonces (AB) es:

Eventos Mutuamente Excluyentes

Se dice que los eventos A y B son mutuamente excluyentes, o ajenos, o disjuntos, si no tienen
(A B)=
ningn elemento en comn, esto es, si
.
13

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

A x x es par
Ejemplo: Si se lanza un dado y establecemos los eventos

B x x es non

, entonces
mutuamente excluyentes.

A B

. En consecuencia, los eventos A y B son

Ejemplo: En un recipiente se tienen canicas blancas y rojas y definimos los

B = x x es una canica blanca

eventos

B R

R = x x es una canica roja

y

, entonces

, por lo que B y R son eventos mutuamente excluyentes.

Evento Complemento
El complemento del evento A es el evento de aquellos elementos que no pertenecen a A y se

A o A c
simboliza por

Lo podemos expresar de la forma siguiente

A c x x S y x A

14

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Ejemplo: Si en una urna tenemos canicas blancas, rojas y azules y definimos

A = x x es una canica blanca

A

entonces
las azules.

es el conjunto de canicas que no son blancas, o sean las rojas y

Ejemplo: Si S es el espacio muestral de todos los pases del mundo y O es el

evento de los pases que pertenecen a la Organizacin de Pases Exportadores
de Petrleo (OPEP), el evento
forman parte de la OPEP.

Oc

est formado por todos los pases que no

Ejemplo: Sea el espacio muestral de los mdicos de un hospital y L el evento

de los mdicos que usan lentes. El evento
ese hospital que no usan lentes.

Lc

est formado por los mdicos de

Ejemplo: Sea el espacio muestral que est constituido por los dgitos. Si

B = x x es par
tenemos el evento

B x x no es par
c

, o sean los dgitos nones.

Ejemplo: Sea el espacio muestral

B = e, u

, entonces el complemento de B ser

A i, o, u
c

, entonces

S = a, e, i, o, u

B a, i, o

y los eventos

A = a, e

Diferencia de Eventos.
Sean A y B dos eventos cualesquiera del espacio de eventos. La diferencia de los eventos es el
evento que contiene los elementos que pertenecen a A pero no a B.

A B = x x A y x B
La diferencia de eventos se representa y expresa como
.
El lgebra de conjuntos nos dice que

(A - B) = (A B c ) A - A B

15

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Ejemplo: Sea A = {a, e, i, o, u} y B = {b, c, d, e, u}. La diferencia A-B es el

evento formado por aquellos elementos de A que no pertenecen a B, por lo que
(A-B) = {a, i, o}.
Otras Operaciones con Eventos
Existen otras operaciones cuyas propiedades se incluyen en la tabla
resumen que se reporta a continuacin.
Sean A, B, C eventos cualesquiera no vacos del espacio de eventos.
Entonces se cumplen las siguientes propiedades:

Identidad

Idempotencia

Complemento

A = A

A =

A S= S

AS= A

AA = A

AA = A

A Ac S

A Ac

Ac c A

c S
Sc

Conmutativa

A B = BA

A B = B A

16

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

A B C A B C

Asociativa

A B C A B C

A B C A B A C

Distributiva

A B C A B A C

Ley de De Morgan

A B c A c Bc

A B c A c B c

Ejemplo: Sean los eventos A = {personas que tienen los ojos negros}, B =
{personas que usan lentes}, C = {personas que pesan menos de 75
kilogramos}. Describir los siguientes eventos:
a

c
d)

C
C

A B C
A B C

Solucin.

Ejemplo: Sea el espacio muestral

A = 2, 4, 6

B = 4, 6, 7

S = x nmeros naturales x 7

C = 4, 5, 7

y los eventos

. Encuentre los eventos:

17

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

a)

A c B

b)

A Bc

A B C

c)

B C c

d)

A Bc

e)

A c Bc

f)

g)

A B C c

Solucin.

DEFINICIN CLSICA DE PROBABILIDAD

Un experimento es aleatorio cuando sus resultados son inciertos. El mtodo
ms adecuado para medir la incertidumbre de los resultados o de un conjunto
de resultados (evento) es la probabilidad.
Pero Qu es la probabilidad? Cmo podemos asignar probabilidades a los
diferentes eventos de un espacio de eventos?. Estas son preguntas que se
tratarn de contestar en forma precisa, tomando en cuenta las diferentes
condiciones que pueden existir en el problema.
Definicin Clsica de Probabilidad (a priori)
Si en un experimento pueden producirse N resultados igualmente posibles y si
dentro de estos N resultados el evento A puede ocurrir n(A) veces, la
probabilidad del evento A est dada por

P ( A )=

n( A)
N

Esta definicin se aplica nicamente a experimentos cuyo espacio muestral

est constituido por un nmero finito de resultados, los cuales deben de ser
igualmente posibles, o sea que a cada resultado se le asigna la misma

1
N

probabilidad (espacio muestral equiprobable) y es igual a

, por lo que el
clculo de probabilidades se reduce a contar los elementos de que consta el

18

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

evento del cual se quiere calcular la probabilidad (funcin de conjunto aditivo

del evento) y multiplicarlo por

1
N

Ejemplo: Se lanzan dos dados legales y se observa la suma de los nmeros

que aparecen. Calcular la probabilidad de los eventos siguientes:
a)
b)
c)
d)

A= {La suma es siete}.

B= {La suma es mayor que ocho}.
C= {Los nmeros que aparecen son diferentes}.
D= {La suma es un nmero par mayor que siete}

Solucin.

Ejemplo: Una urna contiene tres canicas amarillas y siete verdes. Si se extrae
una canica al azar Cul es la probabilidad de que sea amarilla?
Solucin.

19

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

DEFINICIN DE PROBABILIDAD COMO FRECUENCIA RELATIVA (a

posteriori)
En los ejercicios anteriores la probabilidad se pudo determinar mediante el
criterio de Laplace, puesto que se trata de experimentos aleatorios con
resultados igualmente probables, sin embargo, en muchas situaciones
prcticas, los posibles resultados de un experimento no son igualmente
probables. Por ejemplo, en una fbrica las oportunidades de observar un
artculo defectuoso ser mucho ms rara que observar un artculo bueno. En
este caso, no es correcto estimar la probabilidad de encontrar un artculo
defectuoso mediante el empleo de la definicin a priori. O por ejemplo si se
pregunta por la probabilidad de que haya un choque de vehculos en cierto
crucero en una fecha determinada, o que se pierda cierta cantidad de artculos
en una estacin de ferrocarril, entonces no hay forma de introducir los
supuestos que exige la definicin clsica de probabilidad. Debido a esto es que
se necesita ampliar el concepto de probabilidad, de forma que se puedan
obtener soluciones para problemas prcticos.
Ejemplo: Consideremos un experimento cuyos resultados posibles son los
eventos A, B, C y D, tales que S = {A, B, C, D}. Si este experimento se realiza
cien veces y se anota el nmero de ocasiones que ocurre cada evento, se
puede obtener la siguiente informacin

Evento

Veces que
ocurre

14

45

30

11

Total

100

Con esta informacin podemos decir que A ocurri el 14% de las veces, B el
45%, C el 30% y D el 11% de las veces. Estos valores se obtuvieron dividiendo
el nmero de veces que ocurri cada evento entre el nmero de veces que se
repiti el experimento y cada uno de los valores recibe el nombre de frecuencia
relativa.
Este concepto se formaliza en los trminos siguientes:
20

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Si A es un evento asociado a un experimento, la frecuencia relativa de A est

n (A )

dada por la ecuacin f ( A ) = N

, donde n(A) es el nmero de veces que

ocurre el evento Aen las N repeticiones del experimento.

Por otra parte, la experiencia indica que si repetimos muchas veces un
experimento aleatorio, la frecuencia relativa de los eventos tiende a
permanecer constante, en cuyo caso decimos que el experimento muestra
regularidad estadstica. Esto se manifiesta con los datos de la tabla siguiente,
en donde se reportan los resultados de lanzar una moneda

Experiment Nmero de Nmer Frecuenc

os
o
ia
lanzamien
hechos
tos
de
Relativa
por:
caras
Buffon

4,040

2,048

0.5069

K. Pearson

12,000

6,019

0.5016

L. Pearson

24,000 12,012

0.5005

En otras palabras, la regularidad estadstica establece que las frecuencias

relativas tienden a estabilizarse y aproximarse a un valor fijo despus de un
gran nmero de repeticiones del experimento.
Tomando en cuenta lo antes mencionado, podemos definir la probabilidad
como frecuencia relativa en los trminos siguientes:
Si un evento A se produce n(A) veces en un experimento, la probabilidad del
evento A es la frecuencia relativa de ocurrencia del evento, cuando el nmero
de veces N que se realiza el experimento tiende a infinito, o sea

P A lim

n( A )
N

A este concepto de probabilidad se le ha dado en llamar enfoque emprico y

debemos tomar en cuenta los siguientes puntos:
1

La probabilidad obtenida de esta manera es una estimacin y no una

probabilidad exacta.
El hecho de que si en 100 veces que accionemos un encendedor de cierta
marca se encienda 90 veces al primer intento, no garantiza que la
probabilidad de que ese encendedor se encienda al primer intento sea 0.9, o
que si salen 6 caras al lanzar 10 veces una moneda, la probabilidad de que
salga cara sea 0.6.

21

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Cuanto mayor sea el nmero de veces que se realiza el experimento, tanto

mejor ser la estimacin de la probabilidad.

La probabilidad es vlida slo cuando existen condiciones idnticas a

aquellas en las que se obtuvieron los datos.

Ejemplo: La Sociedad Mundial de Gemelos ha observado que de cada mil

personas con antecedentes familiares de gemelos, 58 tienen descendencia de
gemelos Cul es la probabilidad de que una persona que tiene antecedentes
familiares de gemelos, tenga descendencia de gemelos?
Solucin.

DEFINICIN SUBJETIVA DE LA PROBABILIDAD.

La repeticin de un experimento bajo las mismas condiciones es la base para
las interpretaciones clsica y de frecuencia relativa de la probabilidad. Sin
embargo, muchos fenmenos no se presentan para repeticin, pero a pesar de
esto requieren de una nocin de probabilidad. Por ejemplo, cuando se aseguran
contra robo o dao esculturas o pinturas cuyo valor es muy alto, las compaas
aseguradoras deben tener idea de los riesgos adquiridos para fijar de manera
adecuada el precio del seguro. O por ejemplo, cuando se dice probablemente
el embarque llegar maana, o cuando un corredor de bolsa asesora a un
cliente sobre la posible alza de una accin, se est sugiriendo alguna idea de la
probabilidad de ocurrencia de las afirmaciones anteriores. Para estos ejemplos,
la interpretacin de la probabilidad no puede tener su fundamento en la
frecuencia de ocurrencia. La probabilidad se interpreta como el grado de
creencia o de conviccin con respecto a la ocurrencia de una afirmacin. Esta
interpretacin de la probabilidad se conoce como subjetiva o personal.
Para ilustrar la traslacin de un grado de creencia en probabilidad, considere la
siguiente situacin: se pregunta a dos ingenieros petroleros, A y B, su opinin
acerca de la posibilidad de descubrir petrleo en un determinado sitio. La
respuesta de A es que l est seguro, en un 80%, de que se encontrar
petrleo, mientras que B lo est en un 70%. El porcentaje dado por los
ingenieros es una medida de la creencia de stos, con respecto al
22

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

descubrimiento de petrleo. De esta manera se pueden asignar distintas

medidas de creencia a la misma proposicin. Pero, qu significado tiene
realmente el 80% y el 70%? La interpretacin comn es la siguiente: El
ingeniero A piensa apostar ocho a dos (por ejemplo $8 contra $2 o cualquier
otra cantidad que se encuentre en la misma proporcin) a que el petrleo ser
descubierto en ese lugar. De manera similar, B cree que es mejor apostar siete
a tres (es decir $7 contra $3) para el mismo resultado. De esta manera, las
probabilidades subjetivas de A y B se definen como las proporciones 8/(8+2) y
7/(7+3) respectivamente.
AXIOMAS Y TEOREMAS DE PROBABILIDAD
Anteriormente se estudiaron las distintas maneras como se puede llevar a cabo
un conteo para atender los propsitos de una situacin determinada y cmo es
posible mediante el conteo resolver algunos problemas de probabilidad. Ahora
se tiene la finalidad revisar las reglas de probabilidad
Dado un experimento con espacio muestral S y un espacio de eventos , la
probabilidad del evento A, representada por P(A), ser el valor numrico que
debe cumplir con los 3 axiomas de Kolmogorov:
Axioma 1. Para cualquier evento A se cumple que P(A)0
Axioma 2. Para el espacio muestral S, se cumple que P(S)=1
Axioma 3. Si A y B son dos eventos mutuamente excluyentes de S,
entonces la probabilidad de A o B,

P ( A B )=P ( A ) + P(B)

Este axioma se puede generalizar en la forma siguiente: Sea

S = A 1 , A 2 ,..., A n

donde
excluyentes. Entonces

A 1 , A 2 ,...,A n

son

eventos

mutuamente

P ( A 1 A2 A 3 A n )=P ( A1 ) + P ( A2 ) + P ( A3 ) + + P( An )
El axioma tres es conocido con el nombre de regla especial de adicin
Basndose en los axiomas anteriores, se pueden establecer los teoremas
necesarios para desarrollar una teora axiomtica de probabilidades.
Teorema 1. Sea el conjunto vaco, entonces

P() 0

Teorema 2. Si A es cualquier evento en el espacio de eventos S, entonces

P(A c ) 1 P(A)

23

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Teorema 3. Si A y B son dos eventos cualesquiera del mismo espacio muestral

S, tales que A

B, entonces P(A)

Teorema 4. Para cualquier evento A

P(B)

S se cumple que 0 P(A) 1

Teorema 5. Si A y B son dos eventos cualesquiera del mismo espacio muestral

S, entonces

P(A B) P(A) P(B) P(A B)

Teorema 6. Si A y B son dos eventos cualesquiera del mismo espacio muestral

S, entonces P(A-B) = P(A) - P(AB)
Ejemplo: Un sistema contiene dos componentes A y B, y se conecta de
manera que ste funciona si cualquiera de las componentes funciona. Se sabe
que la probabilidad de que A funcione es P(A)=0.9 y la de B es P(B)=0.8 y la

probabilidad de ambos es de P(A B)=0.72. Determinar la probabilidad de

que el sistema funcione.

Ejemplo: En una compaa hay 50 empleados que son clasificados de acuerdo

a su estado civil (casado y soltero) y a su grado de estudios (graduados y no
graduados). Se obtienen los siguientes datos: hay 30 casados, 15 graduados y
10 que son casados y graduados. Si se selecciona una persona al azar,
encontrar las siguientes probabilidades:
a) Que sea casada o graduada.
b) Que sea casada pero no graduada.
c) Que no sea ni casada ni graduada.
Solucin.
Definamos los siguientes eventos:
C = {Sea una persona casada}
G = {Sea una persona graduada}

24

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Ejemplo 1. 26. En una encuesta realizada en una escuela para conocer las
actividades programadas por los alumnos al trmino de los cursos, se obtuvo la
siguiente informacin:
Actividades
Trabajar (T)
Descansar (D)
Estudiar (E)
Total

Hombre
s
(H)
60
22
18
100

Mujeres
(M)

Total

48
35
17
100

108
57
35
200

Si se selecciona un alumno al azar, encontrar la probabilidad de que ste tenga

programado para sus vacaciones:
a) Trabajar
b) Que sea mujer y tenga programado estudiar
c) Que sea hombre o tenga programado trabajar
Solucin.

Ejemplo: De 100 personas que llegan a una panadera 60 compran pan dulce,
50 compran pan blanco y 30 compran de los dos panes. Si se selecciona al azar
a una de las 100 personas, encontrar la probabilidad de que:
a Compre pan blanco pero no dulce
b) Compre pan
25

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

c)

No compre pan

Solucin.
Definamos los eventos:
D={La persona compra pan dulce}
B={La persona compra pan blanco}

Ejemplo: Si A y B son eventos del mismo espacio muestral, tales que P(A) =

5
9

, P(B)=
y
c
a) P(A Bc)
b) P(AcBc)
b P(ABc)

P(A B)

1
9

3
9

, determinar:

Solucin.

26

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

PROBABILIDAD CONDICIONAL
En los problemas vistos hasta ahora, las probabilidades de los eventos se han
calculado libremente, sin ninguna restriccin y sin relacionarlos con la
ocurrencia de otros eventos. Sin embargo, muchas veces necesitamos
encontrar la probabilidad de un evento A que est sujeto o condicionado a que
haya sucedido otro evento B, al cual pertenece una parte del primero.
Escribiremos P(AB) y significa la probabilidad del evento A a condicin de
que ocurra el evento Bo la probabilidad de A dado B.
Para que tenga validez lo anterior debe de cumplirse que:
1
2
3

Los eventos A y B pertenezcan al mismo espacio muestral S.

La probabilidad del evento condicin debe ser mayor que cero, esto es,
P(B)>0.
Al condicionar la ocurrencia del evento A al evento B, se realiza un cambio
del espacio muestral S, actuando en su lugar el evento B como espacio
muestral reducido; por lo que el evento (A | B) ser la fraccin de A que
corresponde a B, que como ya vimos es la interseccin de A y B.
De acuerdo a lo anterior, podemos decir que:

Si A y B son cualquier evento es el espacio muestral S y P(B)>0, la probabilidad

del evento A a condicin de que ocurra el evento B est dada por.

P(A | B)

P(A B)
P(B)

Ejemplo: A los habitantes de una ciudad se les hizo una encuesta con el
propsito de determinar el nmero de lectores peridico Universal y Exclsior.
Los resultados de la encuesta fueron los siguientes: 20% de los habitantes leen
el Exclsior, el 16% lee el Universal y un 1% lee ambos peridicos. Si se
selecciona al azar a un lector, cul es la probabilidad de que tambin lea el
Exclsior?
Solucin:

TEOREMA DE LA MULTIPLICACIN:

27

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Una consecuencia inmediata de lo visto anteriormente es la llamada Regla de

Multiplicacin que dice:
Si A y B son eventos contenidos en el mismo espacio muestral S, donde P(A) >
0 y P(B) >0, entonces P(A B) = P(A) P(B | A).

P(A | B)
Ya vimos que la probabilidad condicional est definida por
Despejando P(A B) se obtiene: P(A B) = P(B) P(A | B)

P(A B)
P(B)

En forma similar y partiendo de P(B | A) se llega a P(A B) = P(A) P(B | A) que

es otra versin de la regla de la multiplicacin, la que implica que
P(A)P(BA)=P(B)P(AB).
La regla de la multiplicacin tambin se puede generalizar. Veamos el caso de
tres eventos.
Sean los eventos A, B y C del mismo espacio muestral S, donde P(A) > 0,
P(B) > 0 y P(C) > 0.
Si tenemos P(A B C), aplicando la ley asociativa del lgebra de
conjuntos y la Regla de la Multiplicacin se obtiene
P(A B C) = P[A (B C)] = P(B C) P(A | B C).
Aplicando nuevamente la Regla de Multiplicacin en
P(B C) = P(C) P(B | C) llegamos a P(A B C) = P(C) P(B | C) P(A | B C).
Cuando se tienen n eventos, la regla de multiplicacin queda:
P(A1 A2 . . . An) = P(A1) P(A2 | A1) P(A3 | A1 A2) . . . P(An | A1 A2 . . . An1)
Ejemplo: Una caja contiene 25 tornillos, de los cuales 4 son defectuosos. Si se
extraen 2 tornillos al azar sin reemplazo, encontrar la probabilidad de que los
dos sean defectuosos.
Solucin

28

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Ejemplo: Se tiene una urna que contiene 4 canicas verdes y 6 rojas. Si se

extraen 2 canicas sin reemplazo Cul es la probabilidad de que la primera sea
roja y la segunda verde?.
Solucin
Sean lo eventos:
C = {x | x la primera canica es roja}
D = {x | x la segunda canica es verde}

Ejemplo: En muchas instituciones bancarias se emplean modelos

computarizados de crdito con el propsito de dar un determinado puntaje a
todas las solicitudes de prstamo. Este puntaje se emplea como una ayuda
para decidir cundo se otorga el prstamo. Supngase que el 3% de todos los
prstamos que se otorgan presentan problemas por incumplimiento de pago y
que los modelos de crdito son precisos en un 80% al predecir el cumplimiento
de los crditos. Si el 85% de todas las solicitudes reciben puntuaciones
favorables por los modelos computarizados y se les otorga el prstamo,
determinar la probabilidad de que una solicitud que recibe una puntuacin
favorable y a la que se le otorga el prstamo, no presente ningn problema
para el pago de ste
Solucin:
Sea A el evento incumplimiento de pago
Sea B la puntuacin favorable y se le otorga el crdito

29

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Ejemplo: Una planta recibe reguladores de voltaje de dos diferentes

proveedores, B1 y B2; el 75% de los reguladores se compra a B1 y el resto se
compra a B2. El porcentaje de reguladores defectuosos que se reciben de B1 es
8% y el de B2 es 10%. Determinar la probabilidad de que funcione un regulador
de voltaje de acuerdo con las especificaciones (es decir, el regulador no est
defectuoso).
COMPRA
DEFECTUOSO
NO DEFECTUOSO
(A)

B1
0.75
0.08
0.92

B2
0.25
0.10
0.90

Solucin:

Eventos estadsticamente independientes.

Al considerar la probabilidad condicional de algn evento A, dada la ocurrencia
de otro evento B, siempre se implica que las probabilidades de A y B son de
alguna manera dependientes entre s. En otras palabras, la informacin con
respecto a la ocurrencia de B afectar la probabilidad de A. Supngase que la
ocurrencia de B no tiene ningn efecto sobre la probabilidad de A, en el sentido
de que la probabilidad condicional P(AB) es igual a la probabilidad marginal
P(A), aun a pesar de que haya ocurrido el evento B. Esta situacin origina un
concepto muy importante que se conoce como independencia estadstica.
Sean A y B dos eventos cualesquiera de un espacio muestral S. Se dice que el
evento A es estadsticamente independiente del evento B si P(AB)=P(A)

30

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Algunas consecuencias de la definicin anterior se convierten evidentes en

este momento, dado que:

P ( A|B )=

P (A B)
P( B)

Si A es independiente de B, entonces

P ( A|B )=P ( A )=

P( A B)
P(B)

P(AB)=P(A)P(B)

adems, puesto que

P(AB)=P(A)P(BA)
entonces
P(A)P(B)=P(A)P(BA)
O
P(B)=P(BA)
Por lo tanto, si un evento A es estadsticamente independiente de B, entonces
B es independiente de A y se verifican las tres relaciones siguientes:
1. P(AB)=P(A)
2. P(BA)=P(B)
3. P(AB)=P(A)P(B)
Con la siguiente definicin se extender el concepto de independencia
estadstica.
Los eventos A1, A2,,Ak de un espacio muestral S son estadsticamente
independientes si y slo si la probabilidad conjunta de cualquier 2, 3, , k de
ellos es igual al producto de sus respectivas probabilidades marginales.
De esta manera los eventos A, B y C son estadsticamente independientes, si y
slo si
1.
2.
3.
4.

P(AB)=P(A)P(B)
P(AC)=P(A)P(C)
P(BC)=P(B)P(C)
P(ABC)= P(A)P(B)P(C)

Ejemplo: Un sistema contiene cinco componentes que se encuentran

conectadas entre s como se muestra en la figura, donde las probabilidades
indican la seguridad de que la componente funcione adecuadamente. Si se
supone que el funcionamiento de una componente en particular es

31

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

independiente del de las dems, cul es la probabilidad de que el sistema

trabaje?
P(B)=0.90

P(D)=0.93

A
P(A)=0.98

P(C)=0.95

P(E)=0.97

Solucin:

Teorema de Probabilidad Total

Supongamos que los eventos A 1, A2, . . ., An. forman una particin del espacio
muestral S y sea B otro evento que tenga interseccin con los eventos Ai.

32

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

Sabemos que S = A1 A2 . . . An. De acuerdo a la ley de identidad vista en

lgebra de conjuntos, podemos escribir que:
B = S B = (A1 A2 . . . An) B = (A1 B) (A2 B) . . . (An B)
donde (Ai B) son eventos mutuamente excluyentes. En consecuencia:
P(B) = P(A1 B) + P(A2 B) + . . . + P(An B)
Aplicando la Regla de Multiplicacin en cada uno de los sumandos obtenemos
la siguiente ecuacin:
P(B) = P(A1) P(B | A1) + P(A2) P(B | A2) + . . . + P(An) P(B | An)
la cual podemos escribir como:
n

P(B) P(A i )P(B | A i )

i 1

que es conocida como Teorema de Probabilidad Total.

Ejemplo: Una fbrica produce 2 tipos de televisores: del tipo A y del tipo B. El
75% de la produccin es del tipo A y el 25% del tipo B. Se sabe que el 95% de
los televisores del tipo A funcionan bien y el 98% de los del tipo B tambin
funcionan bien. Si se selecciona un televisor al azar de la produccin de la
fbrica Cul es la probabilidad de que funcione bien?.
Solucin

Ejemplo 3. 10. Se sabe que el 32% de los habitantes de una ciudad que tiene
ms de 50 aos de edad son hipertensos. Sale al mercado un aparato nuevo
33

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

para medir la presin arterial, el cual marca hipertensin en el 99.5% de las

personas que son hipertensas y tambin marca hipertensin en el 0.8% de las
personas que no son hipertensas. Si se selecciona una persona al azar de ms
de 50 aos de los que utilizan ese aparato Cul es la probabilidad de que
marque hipertensin?.
Solucin

TEOREMA DE BAYES
La interpretacin ms aceptada del teorema de Bayes, es que su estructura
permite el clculo de probabilidades despus de haber sido realizado un
experimento (probabilidades a posteriori), basndose en el conocimiento de la
ocurrencia de ciertos eventos que dependan del evento estudiado, o sea, se
parte de probabilidades conocidas antes de efectuar el experimento
(probabilidades a priori), las cuales son afectadas por las probabilidades
propias del experimento (las que aparecen durante la ocurrencia del evento).
Continuando nuestro anlisis sobre el teorema de Bayes, la probabilidad
condicional de Ai dado B, para cualquier i, es:

P(A i | B)

P(A i B)
P(B)

Aplicando en el numerador la Regla de Multiplicacin P(A iB) = P(Ai) P(B|Ai) y

en el denominador el Teorema de Probabilidad Total P(B) = P(A 1) P(B | A1) +
P(A2) P(B | A2) + . . . + P(An) P(B | An), obtenemos la ecuacin que representa al:
Teorema de Bayes

P(A i | B)

P(A i ) P(B | A i )
n

P(A ) P(B | A )
i 1

Ejemplo: Una fbrica que produce material para la construccin tiene 3

mquinas, a las que se les denomina A, B y C. La mquina A produce tabique,
la B adoqun y la C losetas. La mquina A produce el 50% de la produccin total
34

PROBABILIDAD Y ESTADSTICA: UNIDAD 2. FUNDAMENTOS DE PROBABILIDAD

material para alumnos

de la fbrica, la B el 30% y la C el 20%. Los porcentajes de artculos

defectuosos producidos por las mquinas son, respectivamente, 3%, 4% y 5%.
Si se selecciona un artculo al azar y se observa que es defectuoso, encontrar
la probabilidad de que sea un tabique.
Solucin

Ejemplo: A un congreso asisten 100 personas, de las cuales 65 son hombres y

35 son mujeres. Se sabe que el 10% de los hombres y el 6% de las mujeres son
especialistas en computacin. Si se selecciona al azar a un especialista en
computacin Cul es la probabilidad de que sea mujer?
Solucin

35