Probabilidad y Estadística: Aplicaciones A La Ingeniería y Las Ciencias

Probabilidad
y estadística
Aplicaciones
a la ingeniería
y las ciencias
Eduardo Gutiérrez González
Profesor de matemáticas de la UPIICSA–IPN
Sección de Estudios de Posgrado e Investigación
Olga Vladimirovna Panteleeva
Profesora de matemáticas de la UACH
Área de matemáticas
PRIMERA EDICIÓN
MÉXICO, 2014
00 Probabilidad Preliminares.indd 1 6/26/14 8:12 PM

info editorialpatria.com.mx
www.editorialpatria.com.mx
Dirección editorial: Javier Enrique Callejas

Coordinadora editorial: Estela Delfín Ramírez
Supervisor de preprensa: Gerardo Briones González
Diseño de portada: Juan Bernardo Rosado Solís/Signx
Imágenes: Adrian Zamorategui Berber
Fotografías: © Thinkstockphoto
Revisión Técnica:
Alex Polo Velázquez
Universidad Autónoma Metropolitana-Azcapotzalco
Probabilidad y estadística. Aplicaciones a la ingeniería y las ciencias

Derechos reservados:
© 2014, Eduardo Gutiérrez Gónzalez/ Olga Vladimirovna Panteleeva
© 2014, Grupo Editorial Patria, S.A. de C.V.
Renacimiento 180, Colonia San Juan Tlihuaca
Azcapotzalco, México D. F.
Miembro de la Cámara Nacional de la Industrial Editorial Mexicana

Registro Núm. 43
ISBN: 978-607-438-766-7
Queda prohibida la reproducción o transmisión total o parcial del contenido de la presenta obra en cuales-
quiera formas, sean electrónicas o mecánicas, sin el consentimiento previo y por escrito del editor.
Impreso en México
Printed in Mexico
Primera edición: 2014

Eduardo Gutiérrez González
Doctor en Ciencias (f ísico-matemáticas), realizó estudios de licenciatura, maestría y doctorado en la Universidad Estatal de San
Petersburgo, Federación Rusa en análisis matemático de 1984-1994. Doctor en Ciencias (estadística), realizó estudios de maestría de
2002-2004 y doctorado de 2005-2009 en el Colegio de Posgraduados-México en el programa en Estadística. Maestro en ingeniería,
realizó estudios de maestría en el Posgrado de Ingeniería de la UNAM-México, en Ingeniería de Sistemas en el campo disciplinario
de Investigación de Operaciones de 2004-2006. Actualmente académico de tiempo completo en la Sección de Estudios de Posgrado
e Investigación de UPIICSA-IPN, becario por la DEDICT-COFAA y E.D.D.
Olga Vladimirovna Panteleeva

Maestra en Ciencias Físico-Matemáticas (matemáticas aplicadas), realizó estudios de licenciatura y maestría en la Universidad Es
tatal de San Petersburgo, Federación Rusa, en Matemáticas aplicadas y procesos de control de 1986-1992. Doctora en Ciencias (esta-
dística), realizó estudios de maestría de 2005-2007 y doctorado de 2008-2012 en el Colegio de Posgraduados-México en el programa
en Estadística. Actualmente académica de tiempo completo en la Universidad Autónoma de Chapingo en el área de matemáticas.
Agradecimientos
Cuando se termina una obra existen infinidad de compañeros y colegas a los que se les debe en cierta forma la conclusión de esta y
sin hacer a un lado a nadie, agradecemos infinitamente a todos nuestros compañeros de trabajo, tanto de las Academias de Matemá-
ticas como de Investigación de Operaciones y de la Sección de Graduados de UPIICSA-IPN, así como a los compañeros del Programa
en Estadística del colegio de Posgraduados campus montecillo, donde adquirimos grandes conocimientos sobre la probabilidad y la
estadística que han hecho posible la escritura de este texto. Muy en particular agradecemos a los compañeros del grupo Gitam (Gru-
po de Investigación y Trabajos Académicos de Matemáticas, de las academias de matemáticas de UPIICSA-IPN, fundado en 2013) a
través de la línea 2 de investigación sobre probabilidad y estadística por las aportaciones obtenidas durante el Seminario de Probabi-
lidad y Estadística (2013--), así como a los integrantes del Diplomado en Formación Docente en Probabilidad y Estadística con vigen-
cia 2013-2015. Por último, agradecemos a todos los revisores de la editorial cuyas contribuciones han sido inmejorables para que el
texto tenga una mejor presentación y calidad en su desarrollo.
Eduardo Gutiérrez y Olga Vladimirovna

Prefacio
Palabras de los autores revisan algunas aplicaciones de los datos no agrupados a in
versiones. En el capítulo 10 realizamos un trabajo bastante
En términos generales el libro está divido en tres partes. En la completo sobre la estadística descriptiva para datos agrupados.
primera trabajamos con los fenómenos probabilísticos; en la se- Estudiamos las clases de frecuencias y sus medidas centrales
gunda con la estadística tanto descriptiva como inferencial y (antes mencionadas) y cuantiles. Agregamos un apartado para
en la tercera los modelos de regresión lineales. Con estas tres las gráficas de las clases de frecuencia, con las que se analizan
partes, el libro se perfecciona con un avance completo de los con las distribuciones de los datos; simetría, sesgo y curtosis. Por úl-
ceptos básicos que tienen mayor aplicación en problemas prác- timo, revisamos la técnica gráfica Q-Q, para realizar una prue-
ticos de las diferentes esferas de la ingeniería. ba de bondad de ajuste.
La primera parte del libro inicia con la explicación de las El estudio sobre las distribuciones muestrales lo iniciamos
diferentes corrientes que existen en la asignación de probabili- en el capítulo 11 donde se explica a detalle sobre las distribucio-
dades a un suceso. Durante los primeros tres capítulos se realiza nes muestrales de la media y diferencia de medias para varia-
una construcción matemática de la teoría de las probabilidades, bles normales. Ampliamos las distribuciones muestrales para
apoyada con los espacios muestrales, el álgebra de eventos, téc- la suma y el promedio de las distribuciones más comunes estu-
nicas de conteo, probabilidad condicional y eventos indepen- diadas en la teoría de las probabilidades. Es decir, en el caso dis-
dientes. creto, hablamos sobre las distribuciones Bernoulli, binomial,
En los capítulos 4 al 8 se introduce al estudio de las funcio- geométrica, Poisson, etc., mientras que en el caso continuo nos
nes al cálculo de probabilidades, por medio del concepto de referimos a la familia exponencial, beta, Pareto, etc. Continua-
variables aleatorias. Es decir, de manera más formal se inicia el mos el capítulo con una breve introducción sobre las estadís
uso de funciones, tanto discretas como continuas, en el de ticas de orden. Al final, hacemos una revisión detallada del
sarrollo de la teoría de las probabilidades. El paso que se da en Teorema Central del Límite en sus diferentes presentaciones,
estos capítulos es uno de los más trascendentales en el desarrollo media, suma y distribuciones específicas.
de la obra, debido a la introducción a las funciones en el es En el capítulo 12 se habla de manera breve sobre los estima
tudio de las probabilidades, formaliza la creación de una ver dores puntuales y sus propiedades más importantes: suficiencia,
dadera ciencia matemática de las probabilidades. El capítulo 8 insesgamiento, eficiencia relativa y varianza mínima. Veremos
tiene una relevancia teórica que forma el vínculo para pasar de algunas propiedades asintóticas deseables de una sucesión de
la probabilidad a la estadística. En este capítulo se revisan las estimadores. Después, revisamos con mucho detalle los inter-
transformaciones de las variables aleatorias por medio de los valos de confianza. Iniciamos con los conceptos básicos sobre
métodos más comunes como: la función de distribución acumu las propiedades de un buen intervalo de confianza, con estos
lada, la función generatriz de momento y la técnica de los ja conceptos revisamos a detalle la parte metodológica de los
cobianos. Con estas técnicas se sustenta la demostración de la intervalos de confianza para los parámetros de poblaciones
mayoría de fórmulas que utilizamos en la segunda parte del tex normales o aproximadamente normales, para una población
to sobre la estadística inferencial. y comparación de estas. Al final con intervalos de confianza
La segunda parte del libro la dedicamos al estudio de la para proporciones y diferencia de proporciones en muestras
estadística; se inicia en los capítulos 9 y 10 con la parte descrip- grandes.
tiva. En el capítulo 9 revisamos la estadística descriptiva para da En el capítulo 13 hacemos una revisión similar a la del capí-
tos no agrupados, donde analizamos las diferentes medidas, tanto tulo 12, pero ahora utilizamos las pruebas de hipótesis. Se inicia
centrales como de desviación. Dentro de las medidas centrales con la descripción de los conceptos básicos sobre pruebas de
estudiamos la media, mediana, moda, media geométrica, me- hipótesis y su metodología. Primero revisamos qué es una hipó-
dia ponderada, media armónica y cuantiles. En las medidas de tesis estadística y cuáles son los errores que cometemos al lle-
desviación analizamos el rango, la varianza y la desviación es- var a cabo una prueba. Asimismo, tratamos a detalle la potencia
tándar. Revisamos los coeficientes de variación y covarianza, y de la prueba. Hacemos un resumen de los casos más comunes
los parámetros de forma para un conjunto de datos; al final se en las pruebas de hipótesis: simple contra simple, simple contra

Prefacio v
compuesta y compuesta contra compuesta, donde tratamos so- • Toma de decisiones

bre la prueba uniformemente más potente. Al final, revisamos a • Evaluación de proyectos
detalle la parte metodológica de las pruebas de hipótesis para • Entre muchas otras
los parámetros de poblaciones normales o aproximadamente
normales y poblaciones tipo Bernoulli.
En la tercera parte del texto en un solo capítulo hacemos Unas palabras del estilo
una revisión detallada de los modelos de regresión tanto sim- y forma de escritura
ples como múltiples. En el primer caso explicamos cómo llevar
a cabo un análisis sobre la regresión, desde la construcción de El estilo de escritura del libro es muy sencillo, muestra con
un diagrama de dispersión, hasta los intervalos de confianza y ceptos que son la base para los desarrollos teóricos. Cada tema
pruebas de hipótesis de los parámetros de regresión. Durante el tratado en el libro está reforzado por una gran cantidad de
desarrollo de los resultados de una regresión vemos cómo en- ejemplos y ejercicios prácticos, en cada sección abarcan di
contrar e interpretar su ecuación, cómo obtener predicciones ferentes formas de ver un problema (en total se tienen más de
y cómo calcular intervalos de confianza para estas. Con la 1 600 ejercicios que incluyen más de 2 800 incisos). Las solu
regresión múltiple ampliamos los modelos a regresiones curvi- ciones y sugerencias a la mayoría de los problemas están en
líneas, casos con errores multiplicativos y problemas de Cobb- el CD-ROM y fueron hechas en Excel-Microsoft bajo la con
Douglas. Además de explicar a detalle los diferentes problemas sideración de todos los dígitos, por estas razones las solucio-
que se pueden presentar con las observaciones de una muestra nes que obtenga el lector pueden variar ligeramente respecto a
como puede ser la multicolinealidad, datos aberrantes, trans- las mostradas en el CD-ROM, pero estas variaciones deben ser
formaciones Box-Cox para variables de respuesta no normales, mínimas.
etcétera. El libro está escrito de la siguiente forma: Cada sección se
Sin importar los avances que tengamos en computación y escribe con el número del capítulo al que pertenece, seguida de
en la teoría de la estadística en los textos metodológicos so- un punto y el número correspondiente a la sección dada; se ini-
bre aplicaciones de la estadística inferencial se conserva el viejo cia con la sección uno en cada capítulo. Ejemplo 4.3, significa la
esquema del uso exclusivo de la distribución normal para las sección 3 del capítulo 4. En el caso de las subsecciones, se utiliza
fórmulas y métodos que se acostumbra usar en los intervalos de una tipograf ía diferente para diferenciarlos.
confianza y prueba de hipótesis. Por otro lado, los textos que
hablan sobre las bases teóricas para diferentes tipos de distri
buciones resultan ser demasiado teóricos de manera que a un
Bases teóricas requeridas
lector sin formación matemática se le dificulta comprender el Para la comprensión de los temas se requiere solo conoci
desarrollo del libro. mientos básicos de los cursos de cálculo diferencial e integral.
En la presente obra damos un enfoque teórico y metodoló- En algunos temas tal vez no sea necesario el manejo de las
gico. Así, el lector que solo tenga interés en la parte metodológi- demostraciones, pero en los ejemplos y ejercicios correspon-
ca de la estadística descriptiva e inferencial podrá avanzar en su dientes sí.
estudio sin problemas. De manera paralela a la metodología
damos un desarrollo teórico de la probabilidad, así como de la
estadística descriptiva e inferencial. De esta manera los lectores Objetivos del texto
más avanzados podrán comprender las bases teóricas para la El objetivo de este libro es presentar, a los futuros profesionistas,
creación de otros estimadores puntuales de los parámetros de herramientas cuantitativas que puedan aplicar en los problemas
poblaciones diferentes a la normal. Es decir, con estas bases los que les corresponda resolver dentro de su ámbito laboral, y así
lectores más avanzados estarán en posibilidad de construir in- llegar a una mejor toma de decisiones. Al final del texto espe
tervalos de confianza y llevar a cabo pruebas de hipótesis para ramos que el lector sea capaz de:
parámetros de poblaciones diferentes a la normal.
Otra aportación de transcendencia de la presente obra con • Describir las diferentes corrientes de la probabilidad de
respecto a otras reside en que la parte de probabilidad la mayo- eventos.
ría de los autores se refieren a esta como un simple escalón para • Definir el concepto de variable aleatoria.
el desarrollo de la estadística. En este texto mostramos parte de • Nombrar los tipos de modelos discretos y continuos más
su importancia, además de resaltar las aplicaciones actuales comunes.
de la teoría de las probabilidades, en diferentes áreas de las cien- • Identificar el tipo de modelo al que pertenece el experi-
cias, por ejemplo: mento.
• Ejemplificar las diferentes corrientes de probabilidad y los
• Administración modelos más comunes de probabilidad.
• Ingeniería • Resolver problemas para el cálculo de probabilidades.
• Informática • Aplicar los diferentes modelos en su área de trabajo.
• Simulación de sistemas • Proponer e investigar experimentos aleatorios para crear
• Control de calidad modelos probabilísticos.

vi Prefacio
• Describir las diferentes técnicas de la estadística descripti- • Aplicar las inferencias a su área laboral.
va, para llevar a cabo un estudio detallado del comporta- • Experimentar desde el punto de vista de la estadística in-
miento de los datos. ferencial.
• Definir los conceptos de parámetros y estadísticos. • Proponer e investigar experimentos donde se tengan dis-
• Nombrar las diferentes técnicas que se pueden utilizar tribuciones muestrales para hacer inferencias con respecto
para realizar inferencias. a sus parámetros.
• Identificar en un problema dado, cuándo un dato se refie- • Aplicar la regresión lineal para determinar relaciones en-
re a un parámetro y cuándo a un estadístico. tre variables y poder lograr hacer predicciones en situacio-
• Ejemplificar las diferentes técnicas para estimar un pará- nes de su área laboral.
metro, tanto puntual como por intervalos.

Contenido
Agradecimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
capítulo 1 Bases de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Modelos determinísticos y probabilísticos. . . . . . . . . . . . . . . . . . . . 3
1.2 Interpretaciones de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . 8
Corriente frecuentista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Corriente clásica (a priori ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Corriente subjetivista. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Corriente bayesiana (a posteriori ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 Álgebra de eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Conceptos fundamentales de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Relaciones fundamentales entre eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Diagramas de Venn-Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Operaciones fundamentales entre eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Particiones de eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Generalización de la unión e intersección de eventos. . . . . . . . . . . . . . . . . . . . 18
Leyes del álgebra de eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Axiomatización de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . 21
capítulo 2 Técnicas de conteo y probabilidad. . . . . . . . . . . . . . . . . . . . . . . 31

2.1 Regla de la multiplicación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Diagrama de árbol. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Arreglos con y sin repetición. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Arreglos con repetición (reemplazo). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Arreglos sin repetición: permutaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Permutaciones con elementos indistinguibles . . . . . . . . . . . . . . . . . . . . . . . . . 37
Permutaciones circulares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

viii Contenido
2.4 Combinaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Propiedades en el cálculo de C kn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Combinatorias multinomiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5 Regla de la suma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.6 Aplicación de las técnicas de conteo a la probabilidad. . . . . . . . . . 46
capítulo 3 Probabilidad condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.1 Probabilidad condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Comprobación de los axiomas de Kolmogórov para P (A  B ). . . . . . . . . . . . . . . 61
Tabla de probabilidad conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2 Regla de la multiplicación de probabilidades. . . . . . . . . . . . . . . . . . 65
Generalización de la regla de multiplicación de probabilidades . . . . . . . . . . . . 66
Empleo de los diagramas de árbol en la probabilidad condicional . . . . . . . . . . 67
3.3 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4 Eventos independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Elecciones sin reemplazo en poblaciones grandes. . . . . . . . . . . . . . . . . . . . . . 81
Generalización de eventos independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Eventos independientes aplicados a circuitos . . . . . . . . . . . . . . . . . . . . . . . . . 83
capítulo 4 Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . 95

4.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Generalización de la asignación de probabilidades a los valores de la variable. 98
4.2 Variables aleatorias discretas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Distribución de probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.3 Función de una variable aleatoria discreta . . . . . . . . . . . . . . . . . . . 103
4.4 Valor esperado de una vad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Propiedades del valor esperado de una vad. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.5 Variancia de una vad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Propiedades de la variancia de una vad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.6 Generadores de números aleatorios discretos. . . . . . . . . . . . . . . . . 114
capítulo 5 Modelos discretos de probabilidad . . . . . . . . . . . . . . . . . . . . . . 123

5.1 Modelo uniforme discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Cálculo de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Contenido ix
5.2 Modelos de Bernoulli y binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Notación de la función de distribución acumulada . . . . . . . . . . . . . . . . . . . . . . 129
Cálculo de probabilidades de los modelos binomiales y uso
de tablas binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Modelos “aproximadamente binomiales”. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3 Modelo geométrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Cálculo de probabilidades de un modelo geométrico . . . . . . . . . . . . . . . . . . . . 137
5.4 Modelo de Pascal o binomial negativa . . . . . . . . . . . . . . . . . . . . . . 139
5.5 Modelo hipergeométrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

Aproximación hipergeométrica por binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.6 Modelo de Poisson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Cálculo de probabilidades de modelos de Poisson y uso de tablas. . . . . . . . . . 150
Aproximación de la binomial por Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
capítulo 6 Variables aleatorias continuas. . . . . . . . . . . . . . . . . . . . . . . . . . 165

6.1 Variables aleatorias continuas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Función de densidad de probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Función acumulada de una variable aleatoria continua . . . . . . . . . . . . . . . . . . 169
Propiedades de una función de distribución acumulada. . . . . . . . . . . . . . . . . . 169
Cálculo de probabilidades mediante la función de distribución acumulada. . . . 172
6.2 Valor esperado y variancia de una variable aleatoria continua . . . . 174
Propiedades del valor esperado de una vac. . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Variancia de una variable aleatoria continua. . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Propiedades de la variancia de una vac. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
6.3 Desigualdad de Chebyshev. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.4 Generadores de números aleatorios con la función
de distribución acumulada, caso continuo . . . . . . . . . . . . . . . . . . . 179
capítulo 7 Modelos continuos de probabilidad. . . . . . . . . . . . . . . . . . . . . . 189

7.1 Modelo uniforme continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
7.2 Modelo triangular. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
7.3 Modelo exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Relación entre las distribuciones exponencial y de Poisson . . . . . . . . . . . . . . . 200
7.4 Modelo normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
Cálculo de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

x Contenido
Propiedades de la distribución normal estándar. . . . . . . . . . . . . . . . . . . . . . . . 205

Uso de tablas de la función acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Uso de tablas porcentuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
7.5 Aproximación de la binomial por la normal. . . . . . . . . . . . . . . . . . . 211
7.6 Modelos de probabilidad tipo gamma. . . . . . . . . . . . . . . . . . . . . . . 213
Propiedades de la función gamma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
7.7 Modelos de probabilidad tipo Erlang. . . . . . . . . . . . . . . . . . . . . . . . 217
7.8 Modelos de probabilidad tipo Weibull. . . . . . . . . . . . . . . . . . . . . . . 217
7.9 Modelos lognormal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
7.10 Modelos de probabilidad tipo beta . . . . . . . . . . . . . . . . . . . . . . . . . 222
7.11 Distribución ji cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
Uso de tablas de la distribución ji cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . 226
7.12 Distribución t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
Uso de tablas de la distribución t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
7.13 Distribución F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
Uso de tablas de la distribución F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
capítulo 8 Variables aleatorias conjuntas y transformaciones. . . . . . . . . . . 241

8.1 Multivariables discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
Distribución de probabilidad conjunta discreta. . . . . . . . . . . . . . . . . . . . . . . . . 242
Función de distribución acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Función de probabilidad marginal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Función de probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
Variables aleatorias independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
Valor esperado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
Covariancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Distribución multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
8.2 Multivariables continuas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
8.3 Transformación de variables con la función de distribución
acumulada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Caso discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Caso continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
8.4 Funciones generadoras de momentos . . . . . . . . . . . . . . . . . . . . . . 267
Momentos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Función generatriz de momentos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Función generatriz de momentos y variables independientes. . . . . . . . . . . . . . 272

Contenido xi
8.5 Técnica de jacobianos para transformar variables aleatorias. . . . . . 273

Transformaciones uno a uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
Transformaciones que no son uno a uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
8.6 Transformaciones y relaciones entre normales χn 2 , t y F . . . . . . . . . 281
capítulo 9 Estadística descriptiva para datos no agrupados. . . . . . . . . . . . 287

9.1 Estadística. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
9.2 Población y muestra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
Probabilidad contra estadística . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Caracteres y variables estadísticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Escalas de medición de una variable. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
Escalas de medidas cuantitativas o métricas. . . . . . . . . . . . . . . . . . . . . . . . . . 292
9.3 Técnicas de muestreo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Muestreo aleatorio simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Muestreo estratificado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Muestreo sistemático con iniciación aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . 296
Muestreo por conglomerados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Tamaño de la muestra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Uso de tablas de números aleatorios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
9.4 Parámetros y estadísticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
9.5 Medidas centrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
La media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
La mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
La moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
Otros valores medios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
9.6 Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
9.7 Medidas de dispersión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Variancia y desviación estándar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Desviación media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
Rangos intercuantiles o intercuantílicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
Coeficiente de variación y covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
9.8 Parámetros de forma en la distribución de la muestra . . . . . . . . . . 318
9.9 Aplicación de las medidas para datos no agrupados a inversiones. 323
capítulo 10 Estadística descriptiva para datos agrupados . . . . . . . . . . . . . . 333

10.1 Clases de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
Cálculo de las frecuencias acumuladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335

xii Contenido
Distribución de frecuencias para variables cualitativas. . . . . . . . . . . . . . . . . . . 336

Distribución de frecuencias para variables cuantitativas . . . . . . . . . . . . . . . . . 336
10.2 Medidas centrales en clases de frecuencia. . . . . . . . . . . . . . . . . . . 341
Media por clases de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Moda en clases de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
10.3 Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
Cálculo de los cuantiles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
Clasificación de los cuantiles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
10.4 Medidas de dispersión en clases de frecuencias. . . . . . . . . . . . . . . 345
10.5 Gráficos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
Gráfico de barras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
Gráficos lineales, polígonos de frecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
Diagrama de tallo y hoja (stem-leaf ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
Diagrama circular o de pastel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
Desviación cuartil y cajas de dispersión. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
10.6 Asimetría y curtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
10.7 Aplicación de las gráficas a pruebas de bondad de ajuste . . . . . . . 362
Técnica gráfica Q-Q para una prueba de ajuste de distribuciones. . . . . . . . . . . 362
Ejemplo de la técnica gráfica Q-Q para una prueba de normalidad. . . . . . . . . . 362
Técnica analítica Q-Q, para una prueba de normalidad. . . . . . . . . . . . . . . . . . . 365
capítulo 11 Distribuciones muestrales y teorema central del límite . . . . . . . 377

11.1 Muestra aleatoria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378
11.2 Estadísticas importantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381
Media y varianza de la media muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
Media y varianza de una diferencia de medias. . . . . . . . . . . . . . . . . . . . . . . . . 385
Media y varianza de la varianza muestral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
Media y varianza de una combinación lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 385
11.3 Distribuciones muestrales asociadas a la normal. . . . . . . . . . . . . . 386
Sumas, promedios y combinaciones lineales de variables aleatorias
normales con la misma media y varianza. . . . . . . . . . . . . . . . . . . . . . . . . . . 386
Cálculo del tamaño de la muestra en distribuciones normales. . . . . . . . . . . . . 388
Fórmulas para el tamaño mínimo de muestra en distribuciones normales . . . . 390
Diferencia de medias de distribuciones normales. . . . . . . . . . . . . . . . . . . . . . . 392
Cálculo del tamaño de la muestra para diferencia de medias. . . . . . . . . . . . . . 393
11.4 Distribuciones de Bernoulli. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
Distribución de la suma de variables de Bernoulli (Binomial) . . . . . . . . . . . . . . 395
Media y varianza de una proporción. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395

Contenido xiii
Media y varianza de una diferencia de proporciones. . . . . . . . . . . . . . . . . . . 396

Distribución muestral de la suma y media de otras distribuciones. . . . . . . . . 397
11.5 Introducción a las estadísticas de orden. . . . . . . . . . . . . . . . . . . . 398
11.6 Teorema central del límite media y suma muestral. . . . . . . . . . . . 400
Teorema central del límite para la media de variables. . . . . . . . . . . . . . . . . . 400
Teorema central del límite suma de variables . . . . . . . . . . . . . . . . . . . . . . . . 402
11.7 Teorema central del límite para diferencia de medias. . . . . . . . . . 404
11.8 Teorema central del límite para proporciones. . . . . . . . . . . . . . . . 407
Teorema central del límite para diferencia de proporciones. . . . . . . . . . . . . . 407
Cálculo del tamaño mínimo de muestra para proporciones
muestras grandes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408
11.9 Teorema central del límite para distribuciones específicas. . . . . . 411
Teorema central del límite para distribuciones discretas . . . . . . . . . . . . . . . . 413
Distribuciones a las que no se puede aplicar el teorema central del límite. . . 414
11.10 Ley de los grandes números. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
Desigualdades de Markov y Chebyshev. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 415
Convergencias en probabilidad y distribución . . . . . . . . . . . . . . . . . . . . . . . . 415
Demostración del teorema central del límite. . . . . . . . . . . . . . . . . . . . . . . . . 416
capítulo 12 Estimación puntual y por intervalos de confianza. . . . . . . . . . . . 423

12.1 Conceptos básicos sobre estimadores puntuales . . . . . . . . . . . . . . 425
Espacio paramétrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
Valores de los estimadores puntuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 427
Estimadores insesgados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 428
Estimadores insesgados de distribuciones específicas. . . . . . . . . . . . . . . . . . . 431
12.2 Estadísticas suficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
Propiedad de invarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
Búsqueda de estimadores insesgados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436
Estimadores insesgados con menor varianza. . . . . . . . . . . . . . . . . . . . . . . . . . 436
12.3 Error cuadrado medio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
12.4 Propiedades asintóticas deseables de los estimadores. . . . . . . . . . 440
12.5 Conceptos básicos de los intervalos de confianza. . . . . . . . . . . . . . 442
12.6 Intervalos de confianza para los parámetros de una
población normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
Intervalos de confianza para la media de poblaciones normales
o aproximadamente normales cuando se conoce s. . . . . . . . . . . . . . . . . . . 443
Intervalos de confianza para medias de poblaciones normales
o aproximadamente normales cuando se desconoce s . . . . . . . . . . . . . . . . 443

xiv Contenido
Ejemplos variados para la estimación de la media . . . . . . . . . . . . . . . . . . . . . 445

Intervalos de confianza para la varianza de poblaciones normales . . . . . . . . . 448
Ejemplos variados para varianzas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
12.7 Intervalos de confianza para comparar dos poblaciones
normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452
Resultados posibles de las comparaciones entre dos medias. . . . . . . . . . . . . . 453
Intervalos de confianza para la diferencia de medias, poblaciones
aproximadamente normales cuando se conocen s1 y s2 . . . . . . . . . . . . . . . 453
Intervalos de confianza para la diferencia de medias de poblaciones
normales cuando se desconocen s1 y s2, pero se sabe que s21 = s22. . . . . . 454
normales cuando se desconocen s1 y s2, pero se sabe s21 ≠ s22 . . . . . . . . . 455
aproximadamente normales, se desconocen s1 y s2 muestras grandes. . . . 456
Intervalos de confianza para la diferencia de medias de observaciones
pareadas con diferencias normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 458
Ejemplos variados para la estimación de diferencia de medias. . . . . . . . . . . . . 460
Intervalos de confianza para la razón entre varianzas
de poblaciones normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
12.8 Intervalos de confianza para proporciones . . . . . . . . . . . . . . . . . . . 470
Intervalos de confianza para proporciones muestras grandes. . . . . . . . . . . . . . 470
Ejemplos variados para proporciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471
Intervalo de confianza de diferencia de proporciones muestras grandes . . . . . 473
capítulo 13 Metodología para pruebas de hipótesis sobre los parámetros

de una distribución normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
13.1 Conceptos básicos sobre pruebas de hipótesis. . . . . . . . . . . . . . . . 486
Regiones de rechazo y no rechazo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487
Tipos de errores en una prueba de hipótesis . . . . . . . . . . . . . . . . . . . . . . . . . . 488
Función de potencia y tamaño de la prueba. . . . . . . . . . . . . . . . . . . . . . . . . . . 491
Elección de la hipótesis nula y alterna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 494
Cálculo de las probabilidades para los dos tipos de errores . . . . . . . . . . . . . . . 494
Conceptos básicos sobre los tipos de pruebas de hipótesis . . . . . . . . . . . . . . . 498
13.2 Pruebas de hipótesis para los parámetros de una
distribución normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
Pruebas de hipótesis para la media de poblaciones aproximadamente
normales cuando se conoce s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
Pruebas de hipótesis para la media de poblaciones aproximadamente
normales cuando se desconoce s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 505
Pruebas para la varianza de poblaciones normales . . . . . . . . . . . . . . . . . . . . . 508

Contenido xv
13.3 Pruebas de hipótesis para comparar dos poblaciones

normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
Pruebas de hipótesis para la diferencia de medias sobre poblaciones
aproximadamente normales cuando se conocen s21 y s22. . . . . . . . . . . . . . . 514
aproximadamente normales cuando se desconocen s21 y s22
pero s21 = s22 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517
aproximadamente normales cuando se desconocen s21 y s22
pero s21 ≠ s22. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 520
Pruebas de hipótesis para la diferencia de medias de observaciones
pareadas con diferencias normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 523
Pruebas de hipótesis para la razón entre varianzas de poblaciones
normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 527
13.4 Pruebas para poblaciones tipo Bernoulli, proporciones. . . . . . . . . . 533
capítulo 14 Regresión lineal simple y múltiple (véase en el CD-ROM)

14.1 Regresión lineal simple
Diagrama de dispersión
Supuestos de la variable dependiente en el análisis de regresión
14.2 Método de mínimos cuadrados para optimizar el error
Supuestos del error en un modelo lineal
14.3 Error estándar de estimación y propiedades de los estimadores
Descarga el capítulo
14.4 Prueba de hipótesis para el parámetro de la pendiente
14.5 Coeficientes de correlación y determinación
Coeficiente de correlación lineal
Coeficiente de determinación
14.6 Intervalos de confianza para la predicción y estimación
14.7 Regresión lineal múltiple
Planteamiento general del modelo de regresión lineal múltiple
Generalización de resultados de la regresión lineal y prueba F
Uso de Excel de Microsoft para la regresión lineal múltiple
Solución de un modelo de regresión lineal múltiple
Análisis de residuales en la regresión lineal múltiple
Problemas en la regresión lineal múltiple
Regresión curvilínea
Modelos de regresión con variables de respuesta transformadas

1
Objetivos generales
Bases de la
probabilidad
Objetivos específicos
• Demostrar que en la actualidad los fenómenos aleatorios que • Explicar qué es un modelo probabilístico.
ocurren en la industria, las ciencias sociales, los estudios de • Describir y enumerar los espacios muestrales de
mercado y los juegos de azar deben ser estudiados mediante experimentos probabilísticos.
modelos aleatorios. • Ejemplificar los eventos de un experimento probabilístico.
• Explicar que la probabilidad, aunque se utiliza con base en • Describir las cuatro principales corrientes de la probabilidad.
diferentes corrientes, constituye un área de la ciencia que
• Definir las operaciones fundamentales del álgebra de eventos.
está bien estructurada y tiene una justificación matemática
consistente, razón por lo que es estudiada más allá de los • Resolver problemas de operaciones entre eventos mediante
problemas de juegos de azar. sus definiciones y diagramas de Venn.
• Calcular probabilidades de eventos con base en los
principales teoremas de la probabilidad axiomática.
01 Probabilidad C1.indd 1 6/26/14 3:21 PM

2 CAPÍTULO 1 Bases de la pr obabilid ad
Introducción
Desde su aparición en la faz de la Tierra, el ser humano siempre ha estado en contacto con situaciones aleatorias, ya sean de experien-
cias naturales o de juegos que él mismo crea, en las cuales prevalece la incertidumbre. Por ejemplo, en las tumbas egipcias se han
encontrado restos de dados cúbicos que datan del año 2000 a.C. con marcas idénticas a las de los dados actuales; más aún, hay indi-
cios de que cerca del año 3500 a.C. los egipcios practicaban juegos de azar con objetos de hueso.
Por estas razones, el estudio de la incertidumbre siempre ha tenido un interés particular para la humanidad, desde conocer el
clima, el resultado del lanzamiento de una moneda o un dado, hasta situaciones modernas, como la cantidad de artículos defectuosos
en un lote de tamaño n, cambios de voltaje en un circuito eléctrico, curso del valor del dólar en un día determinado y los movimien-
tos en la bolsa de valores para conocer cuáles acciones tienen mayor o menor riesgo en su inversión, entre otras.
Así, desde su aparición, los juegos con incertidumbre han dejado un gran reto a diferentes matemáticos para calcular las proba-
bilidades de éxito que tiene un jugador en un juego de azar. De manera que, haciendo un poco de historia, resulta que la crea-
ción de la probabilidad se atribuye a los matemáticos franceses del siglo xvii Blaise Pascal (1623-1662) y Pierre de Fermat (1601-1665)
cuando lograron obtener probabilidades exactas para cierto tipo de problemas relacionados con el juego de los dados; por ejemplo,
la solución al problema propuesto por el noble francés Antoine Gombauld (1607-1684), quien preguntó a Pascal, “¿cuál es la proba-
bilidad de que ocurran dos seises al menos una vez al lanzar un par de dados 24 veces?” Aunque algunos matemáticos anteriores,
como Gerolamo Cardano (1501-1576) y Galileo Galilei (1564-1642), en el siglo xvi, ya habían realizado importantes contribuciones
a su desarrollo calculando algunas combinaciones numéricas para ciertos problemas relacionados con los dados. Uno de los proble-
mas clásicos con los que dio inicio el cálculo de probabilidades consiste en saber cuántos dados hay que lanzar para que la probabi
lidad de que salga algún 6 supere 50%. En la actualidad, en México hay una gran cantidad de juegos de azar para los cuales se
requiere efectuar ciertos cálculos de probabilidades; por ejemplo, lotería, juegos de quinielas deportivas, juegos de quinielas numéri-
cas, entre muchos otros.
La historia nos muestra que la teoría de la probabilidad dio sus primeros pasos en el siglo xvi con Gerolamo Cardano y Galileo
Galilei; posteriormente, en el siglo xvii, con Blaise Pascal, Pierre de Fermat, Jean y Jacques Bernoulli (1654-1705) y De Moivre (1667-
1754); en el siglo xviii, con Daniel Bernoulli (1700-1782), Kart Friedrich Gauss (1777-1855) y Siméon Denis Poisson (1781-1840); en
el siglo xx, con A. Markov, Chebyschev y Liapunov, entre otros. Pero, sin duda, quien sentó las bases teóricas para formalizar el de-
sarrollo de la teoría de las probabilidades fue el matemático ruso Kolmogórov, en 1933, al introducir la teoría de la medida en el cálcu
lo de probabilidades.
Durante todo este texto se habla de probabilidad, pero, ¿qué se entiende por esta ciencia?
Probabilidad es la rama de las matemáticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que ocurra
un determinado suceso.
Así, en el desarrollo del texto, principalmente en los primeros capítulos, se analiza cómo, en general, la probabilidad está basada
en el estudio de la Teoría combinatoria, ampliándose al cálculo, gracias al uso de las funciones.
Hoy día, la teoría de la probabilidad es una herramienta importante en la mayoría de las áreas de ingeniería, ciencias y adminis-
tración. De manera que realizar un estudio adecuado de la probabilidad es fundamental para el éxito de muchas compañías, en
particular las de seguros, ya que estas evalúan las probabilidades de los sucesos que les interesan (p. ej., accidentes de autos, inunda-
ciones, epidemias, etc.) mediante una minuciosa recopilación de datos (experiencias) que permiten inferir dichas probabilidades con
suficiente aproximación como para poder asignar las cuotas o costos de manera que la aseguradora no sufra pérdidas. Además de las
compañías de seguros, la probabilidad tiene diversas aplicaciones en otras áreas como medicina, meteorología, mercadotecnia, pre-
dicciones de terremotos, comportamiento humano, finanzas, etcétera.
En el presente capítulo tratamos los fundamentos teóricos en los que se basa la construcción de la Teoría de las probabilidades.
Por tanto, el capítulo inicia con el tratamiento de los modelos y su importancia en el estudio de los diferentes fenómenos; de igual
forma se hace énfasis en los modelos matemáticos, los cuales se clasifican en:
• Determinísticos.
• Probabilísticos.
Después, definimos los experimentos aleatorios y determinísticos. Por su parte, el estudio de las bases de la probabilidad co-
mienza con una discusión acerca de las diferentes corrientes para la asignación de probabilidades a un suceso, como:
• Corriente frecuentista.
• Corriente clásica.
• Corriente subjetiva.
• Corriente bayesiana.
Enseguida, se aborda la construcción matemática de la Teoría de las probabilidades, introduciendo los axiomas de Kolmogórov,
con los que prácticamente iniciamos un estudio formal de las probabilidades como una ciencia.

1.1 Modelos determinísticos y probabilísticos 3
Es importante resaltar que la axiomatización de la Teoría de las probabilidades se conserva hasta el final de la presente obra. Para
el desarrollo de esta se introduce una sección referente a la teoría de conjuntos a la que llamamos álgebra de eventos, la cual, junto con
los axiomas de Kolmogórov, constituyen la base científica del desarrollo de la probabilidad.
El capítulo continúa con la formulación y demostración de diferentes teoremas y finaliza con una breve explicación de la aplica-
ción de estos en el cálculo de probabilidades. Para terminar, revisamos algunas funciones en Excel para el cálculo de probabilidades.
1.1 Modelos determinísticos y probabilísticos

Uno de los objetivos del estudio de las ciencias es desarrollar estructuras conceptuales que permitan comprender los fenómenos que
ocurren en la naturaleza para poder predecir los efectos que de ellos se deriven. De la experiencia científica, se deduce fácilmente
que para poder estudiar un fenómeno es necesaria su imitación o reproducción en una cantidad suficiente, a fin de que su investiga-
ción sea lo más precisa posible. Esta necesidad es lo que da origen a los modelos. Ahora bien, ¿qué entendemos por modelo y qué lo
origina?
Por modelo, entenderemos la representación o reproducción de los fenómenos.
Los modelos pueden ser de diferentes tipos, pero para los objetivos de este texto, son de interés los modelos matemáticos. Vea-
mos a continuación la definición de modelo matemático que se utiliza durante todo el texto.
Un modelo matemático es una representación simbólica de un fenómeno cualquiera, realizada con el fin de estudiarlo mejor, dichas
representaciones puede ser fenómenos f ísicos, económicos, sociales, etcétera.
Los modelos matemáticos pueden clasificarse en determinísticos y probabilísticos, y para poderlos diferenciar es necesario cono
cer su definición y algunos ejemplos. Primero, presentamos la definición de modelos determinísticos.
Cuando se realiza el modelo matemático de un fenómeno y en este se pueden manejar los factores que intervienen en su estudio con el
propósito de predecir sus resultados, se llamará modelo determinístico.
A continuación se presentan algunos ejemplos de modelos determinísticos.
Ejemplos 1.1 Modelos determinísticos
1. El lanzamiento de una moneda con ambos lados iguales (p. ej., águilas). Al plantear este modelo es posible determinar que siem-
pre es posible predecir el resultado (suponiendo que la moneda no puede quedar en posición vertical), puesto que solo hay una
opción: águila.
2. Cuando tenemos una inversión c a una tasa r, podemos calcular su Valor Presente Neto, VPN (c). El modelo es determinístico,
puesto que tiene una inversión fija c a una tasa fija r; por tanto, es posible predecir el resultado que ocurrirá al cabo de n años
mediante el uso de la siguiente fórmula:
c
VPN( c ) = .
(1 + r )n
Por ejemplo, si vamos a recibir c = 150 000 pesos dentro de cuatro años, pero queremos saber cuánto vale hoy, VPN(c), debemos
descontar los intereses que se generan desde hoy hasta dentro de cuatro años. Si el interés anual es de 8% en operaciones a cuatro
años, entonces el día de hoy debemos invertir:
150 000
VPN( c ) = = 110 254.50 .
(1 + 0.08)4
Entonces, si iniciamos la inversión con 110 254.50 al cabo de cuatro años tendremos 150 000 pesos.
3. Sea una economía en equilibrio determinada por el modelo económico de entradas y salidas de Wassiley Leontief, aplicado a
tres empresas distintas.
 a11 x1 + a12 x2 + a13 x3 + e1 = x1

 a21 x1 + a22 x2 + a23 x3 + e2 = x2

a31 x1 + a32 x2 + a33 x3 + e3 =x3
Donde: xi representa la producción de la empresa i; ei representa la demanda externa sobre la empresa i; y aij representa el núme-
ro de unidades de producto de la empresa i necesarias para producir una unidad de producto de la industria j. Conociendo la

demanda externa por empresa y la demanda interna entre empresas, con este modelo es posi-
Wassiley Leontief nació el 5
de agosto de 1906, en San ble predecir la producción de cada empresa.
Petersburgo, y murió el 5 de 4. El modelo de una compañía donde se elaboran dos productos al pasar en forma consecutiva, a
febrero de 1999, en Nueva York. través de una línea de producción, por tres máquinas distintas. En este caso, el tiempo por
Inició sus estudios superiores en máquina asignado a los dos productos está limitado por una cantidad determinada de horas
la universidad de San Petersburgo por día; el tiempo de producción y la ganancia por artículo de cada producto se pueden esta-
y terminó el doctorado en la blecer de manera que al combinar los productos podemos obtener una ganancia óptima.
universidad de Humboldt, Berlín En el modelo anterior se puede notar que estamos controlando los diferentes parámetros
en 1928. En 1931 emigró de que intervienen. Por tanto, al establecer el modelo matemático correspondiente y los valores
forma definitiva a Estados
para los factores es posible predecir su resultado.
Unidos de América. El modelo de
5. Se puede diseñar un modelo que muestre la influencia de la fuerza de fricción sobre un cuerpo
entradas y salidas fue presentado
por primera vez en el artículo de que se mueve en una superficie. Con este modelo se puede concluir que en superficies más
Leontief Quantitative Input and ásperas se tiene mayor fuerza de rozamiento.
Ouput Relations in the Economic El modelo anterior es determinístico, ya que en este se manejan superficies y se puede pre-
System of the United States, decir el resultado. Por ejemplo, la distancia a la que se puede detener el móvil; esto es, si se
Review of Economic Statistics mueve el cuerpo con una fuerza inicial y cambiamos las asperezas podremos establecer una
18 (1936), pp. 105-125. Una fórmula matemática que indique (como resultado de un cálculo numérico) la distancia en la
versión actualizada del modelo que se detendrá el móvil.
aparece en el libro de Leontief, 6. La caída de voltaje en una resistencia de un circuito eléctrico se puede observar en la figura 1.1.
Input-Output Analysis, Nueva
York, Oxford University Press,
1966. Leontief ganó el premio
Nobel de Economía en 1973
por su desarrollo del análisis de
R-Resistencia
insumo y producción de V-Voltaje i
entradas y salidas.
Figura 1.1
Circuito eléctrico con una resistencia.
Por los cursos de f ísica sabemos que la Ley de Ohm indica que la caída de vol-
En general, sabemos que cualquier modelo físico es
taje en este circuito eléctrico con una resistencia está dada por V = Ri, donde, R
una aproximación de la realidad; no obstante, este
no la puede representar en forma exacta, esto representa la resistencia, medida en ohms; i la corriente medida en amperes, y V el
se debe a que en cada fenómeno intervienen voltaje medido en volts.
infinidad de factores y no es posible involucrarlos a
todos en el modelo. Por esta razón, salvo que se diga
otra cosa, en el texto se consideran los modelos El otro tipo de modelos que revisamos ocurre cuando no podemos controlar
conocidos sobre diferentes fenómenos físicos como los factores que intervienen en dichos modelos. A partir de lo cual surge la defini-
determinísticos. Por ejemplo, en el circuito anterior,
ción de modelo probabilístico o estocástico.
la caída real de voltaje está influenciada por los
factores: humedad, calentamiento del alambre
Los modelos probabilísticos o modelos estocásticos son aquellos modelos ma-
conductor, temperatura, etcétera, que para fines
temáticos de los fenómenos en los cuales no se pueden controlar los factores que
prácticos se pueden considerar despreciables. De
intervienen en su estudio, además de que dichos factores ocurren de tal manera
manera similar, en el modelo del movimiento de un
que no es posible predecir sus resultados.
cuerpo sobre una superficie con fricción, se
considera que las otras fuerzas que intervienen son
Los modelos probabilísticos son de gran interés en el texto; por tanto, para
despreciables.
una mejor comprensión de estos se presentan los siguientes ejemplos.
Ejemplos 1.2 Modelos probabilísticos
1. Los modelos clásicos probabilísticos se refieren a los juegos de azar, como el lanzamiento de una moneda equilibrada o legal (es de
cir, que no está cargada a ningún lado), para determinar el resultado que va a ocurrir. En el lanzamiento de un dado no cargado
(esto es, que un lado del dado no pesa más que los otros) no es posible predecir qué número quedará en la parte de arriba del dado.

2. En el lanzamiento de una moneda equilibrada 10 veces para obtener cinco águilas, el modelo es de tipo probabilístico, puesto
que no podemos predecir el resultado que va a ocurrir en el siguiente lanzamiento.
3. Las cartas o fichas que le tocarán a una persona al inicio de una partida de un juego de cartas o domino, respectivamente.
4. En el ejemplo 2 de la lista 1.1 de ejemplos, la tasa anual de inversión para un año determinado en realidad está condicionada a
situaciones de incertidumbre del país; por consiguiente, bajo estas condiciones no podemos predecir el VPN para un año deter-
minado si no conocemos con anterioridad la tasa r.
5. En una línea de producción, al realizar el control de calidad de los artículos se detecta cierta cantidad de productos defectuosos;
no es posible determinar la cantidad o porcentaje de estos en la línea.
6. Si deseamos conocer los ingresos por acción para una compañía de teléfonos, estos se pueden estimar mediante el PIB (Produc-
to Interno Bruto) que se mide en millones de pesos. Entonces, establecemos, mediante una ecuación, un modelo para su estima-
ción, pero no podemos saber con exactitud sus resultados.
7. El conocimiento del curso de una acción referente a una empresa en la bolsa de valores es uno de los principales problemas que
todo accionista quisiera saber cómo predecir. Este es un problema financiero muy complejo que depende de muchos factores,
incluyendo los políticos, por lo que no se puede controlar el curso de la acción ya que esta se encuentra envuelta en mucha in-
certidumbre; por tanto, solo es posible indicar un rango de valores posibles en el que se tengan evidencias que podrán encon-
trarse en el curso de la bolsa para dicha acción. En el caso del dólar podríamos tener evidencias de que al día siguiente su costo
estará entre 12.40 y 12.80 pesos, pero en realidad no conocemos cuál será su cotización exacta, puesto que este estará influido
por factores que pueden tener mucha incertidumbre, como situaciones políticas.
8. Si deseamos conocer el lugar de caída de un satélite que se salió de su órbita y se dirige a la Tierra no podemos predecir el lugar
donde caerá, puesto que no es posible controlar su movimiento; por tanto, solo es posible indicar una región en donde se cree
que caerá, con un valor numérico que represente la aseveración.
9. La posición de un electrón en un momento dado, la cual no es posible establecer, pues, de los cursos de f ísica sabemos que un
electrón no tiene una posición fija, ya que cambia constantemente, sin reglas en su movimiento. En tal caso, solo podemos esta-
blecer un área en la que supongamos con un cierto valor numérico la posibilidad de que el electrón se encuentre ahí.
10. Si en el circuito eléctrico del ejemplo 6 de la lista 1.1 de ejemplos consideramos los demás factores que intervienen en el circui-
to y medimos los voltajes con un voltímetro de alta calidad, podremos apreciar que al tomar diferentes mediciones existen
cambios pequeños en estas. En estas condiciones, podremos considerar a la caída de voltaje V = Ri como un modelo probabi
lístico.
Al reproducir cualquier fenómeno, ya sea de manera determinística o probabilística, estamos experimentando, por lo que es
necesario aclarar lo siguiente: ¿qué entenderemos por experimento al utilizar un modelo matemático de tipo probabilístico (cabe
aclarar que hasta este momento no se ha dado la definición de probabilidad)? Así, para ir aclarando los conceptos, a continuación se
presenta la definición formal de experimento aleatorio.
Llamaremos experimento aleatorio al proceso de obtención de una observación en que se cumple alguna de las siguientes condiciones:
a) Todos los resultados posibles son conocidos.
b) Antes de realizar el experimento el resultado es desconocido.
c) Es posible repetir el experimento en condiciones ideales.
Ahora, con el propósito de aclarar mejor la definición de experimentos aleatorios, en los siguientes ejemplos ilustramos algunos
procesos aleatorios que muestran este tipo de experimentos.
Ejemplos 1.3 Experimentos aleatorios
1. Lanzamiento de tres monedas hasta obtener dos águilas.

2. Lanzamiento de una moneda tres veces hasta obtener dos águilas. ¿Existe alguna diferencia con el inciso anterior?
3. Lanzamiento de una moneda tres veces y la realización del conteo referente a la cantidad de soles que aparecen en estos lanza-
mientos.
4. Lanzamiento de un dado, observando la cara superior que resulte.
5. Lanzamiento de dos dados y la realización del conteo de la suma que resulta en sus caras superiores.
6. Un inspector de control de calidad analiza lotes de 60 artículos cada uno. El proceso de control de calidad consiste en elegir
cinco artículos sin reemplazo y determinar si son buenos o defectuosos.
7. Sea un lote de 60 artículos que tiene 10 defectuosos. Entonces, se define el proceso de seleccionar los artículos sin reemplazo y
anotar los resultados hasta obtener el último defectuoso.

8. Observar las cantidades máxima y mínima de personas que llegan a la estación Potrero del metro en la Ciudad de México, cada
día, en intervalos de cinco minutos.
9. Medir cada 10 minutos la caída de voltaje en un circuito eléctrico con una sola resistencia.
Al proceso por el cual se describen los fenómenos cuyos Además de los experimentos aleatorios, también tenemos los deter-
resultados pueden predecirse, lo llamaremos experimento minísticos, de los cuales enseguida se presenta su definición y se muestran
determinístico.
algunos ejemplos para su mejor comprensión.
Ejemplos 1.4 Experimentos determinísticos

1. En un modelo de valor presente neto de una serie de flujos de efectivo Vi de una inversión c, a una tasa fija r, podemos calcular
su VPN(c) al cabo de n años, el cual se calcula de la siguiente forma:
n
Vi
VPN( c ) =−inversión(c ) + ∑ .
i=1 (1 + r )
i
2. El tiempo de caída libre de un objeto. Si se conoce la altura y no existen fuerzas externas, el tiempo de caída se puede predecir
1
por medio de la expresión obtenida en el curso de f ísica: h =− gt 2 , donde h es la altura, g la aceleración de la gravedad y t el
2
tiempo de caída.
3. La mezcla de sustancias químicas para la obtención de algún compuesto.
Después de realizar un experimento, por lo general se registran sus resultados para obtener
Entendemos por conjunto a una
colección de objetos bien definida las conclusiones correspondientes al fenómeno en estudio, por lo que surge la necesidad de intro-
mediante alguna o algunas ducir un nuevo concepto referente al conjunto de todos los resultados del experimento. El concep-
propiedades en común. En tanto, to de espacio muestral se emplea en la sección 1.3, junto con sus propiedades de conjuntos; por
por objeto comprendemos no ahora es suficiente introducir su definición.
solo cosas físicas (como discos,
Al conjunto de todos los resultados posibles de un experimento probabilístico lo llamaremos espa-
computadoras, entre otras), sino
cio muestral del experimento y lo denotaremos por S. A su vez, a los elementos de un espacio
también cosas abstractas, como
muestral los llamaremos puntos muestrales.
los números o las letras. A los
objetos que forman el conjunto, Los espacios muestrales forman una parte primordial en el desarrollo de la teoría de las pro-
los llamamos elementos del babilidades, por lo que es indispensable mostrar algunos ejemplos de estos. Aunque de aquí en
conjunto. adelante se hablará de estos en los capítulos subsecuentes.
Ejemplos 1.5 Espacios muestrales

1. El experimento sobre el lanzamiento de una moneda se realiza tres veces y se anotan sus posibles resultados.
El espacio muestral está representado por a, en el caso de águila, y por s, en el caso de cara o sol. Por tanto:
S = { sss , ssa , sas , ass , saa , asa , aas , aaa} .
2. El experimento sobre el lanzamiento de una moneda se realiza tres veces y se anota la cantidad de águilas que aparecen. De este
modo, 0 representa la ausencia de águilas, 1 representa la presencia de un águila, etcétera. De este modo, el espacio muestral
sería:
S = {0,1, 2, 3} .
Compare los resultados de los ejemplos 1 y 2, ¿qué puede concluir?
3. Se realiza el experimento sobre el lanzamiento de dos dados y se anota la suma de las caras superiores que resultan. En este caso,
el espacio muestral estará formado por:
S = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} .

4. Se realiza el experimento de lanzamiento de dos dados, de los cuales se toma la diferencia del valor mayor menos el valor menor
que resulta en sus caras superiores. En este caso, el espacio muestral resultante es:
S = {0, 1, 2, 3, 4, 5}.
5. Se realiza el experimento de lanzamiento de un dado dos veces, de las cuales se toma la diferencia del valor del primer resultado
menos el valor del segundo resultado de las caras superiores. El espacio muestral resultante es:
{ 5 , − 4 , − 3 , − 2 , −1 , 0 , 1 , 2 , 3 , 4 , 5}
S =−
6. Suponga que se tiene un lote de tres refrigeradores de tamaño 3 (dos de estos están en buen estado y uno está defectuoso). En-
tonces, se realiza el experimento de extraer dos refrigeradores del lote, sin que haya un reemplazo. Denotando al refrigerador
bueno por b y al defectuoso por d, determine el espacio muestral.
a) Si en el par elegido se consideran diferencias solo entre los dos buenos, no importa el orden. Cuando se trata de conjuntos
sabemos que no importa el orden en que se coloquen sus elementos. Entonces, denotando a los artículos buenos por b1 y b2,
respectivamente, se tiene:
S = {{b1 , b2 }, {b1 , d }, {b2 , d }}
b) Si en el par elegido se consideran diferencias entre los dos buenos y el orden de extracción, para distinguir el orden de extrac-
ción de los refrigeradores, los pares elegidos se escriben juntos sin separarlos, indicando que el de la izquierda se extrae antes
que el de la derecha:
S = {b1b2 , b2 b1 , b1 d , db1 , b2 d , db2 } .
c) Solo es de interés si el refrigerador es bueno o defectuoso, no importa el orden:
S = {{b, b}, {b, d }}.

d) En el par elegido los dos buenos son indistinguibles, pero sí importa el orden de extracción:
S = {bb , bd , db}.
Después de tratar con los espacios muestrales, entonces nos preguntamos: ¿qué pasa si solo consideramos una parte de estos?
Para poder dar una respuesta a la pregunta es necesario definir qué es un evento y qué es un evento simple.
Dado un experimento aleatorio y su espacio muestral S, se llama evento a un conjunto de resultados posibles de S. Podemos notar que
un evento no es más que un subconjunto de un espacio muestral.
A continuación definimos los eventos que contienen uno y solo un elemento del espacio muestral, y que serán utilizados de
forma implícita en la siguiente sección cuando hablemos sobre la corriente clásica de probabilidad.
Al evento que consta de un solo elemento le llamaremos evento simple.
Ejemplos 1.6 Eventos simples
Obtenga el evento indicado en los espacios muestrales de los ejemplos anteriores.
1. Se lanza una moneda tres veces y se anotan los resultados posibles. Sea el evento E: “Aparece una sola águila”. Representando
águila por a y sol por s, el evento será:
E = { ssa , sas , ass} .
2. El lanzamiento de una moneda tres veces y el conteo de la cantidad de águilas que aparecen. Sea el evento E : “aparece un águila”,
E = {1} .
3. El lanzamiento de un dado y la cara superior que resulta. Sea E el evento que denota: “el número de la cara que resulta no es
mayor a 4”.
E = {1, 2, 3, 4 }

4. El lanzamiento de dos dados de los cuales se cuenta la suma que resulta en sus caras superiores. Sea el evento E: “la suma de las
caras resultantes es mayor que 4”.
E = {5, 6, 7, 8, 9,10,11,12} .
No obstante lo tratado hasta aquí, aún no hemos visto cómo asignar probabilidades a los eventos ni cómo definir a esta. La res-
puesta está en la siguiente sección.
Ejercicios 1.1
1. Suponga que se lanzan tres monedas no cargadas y se obser- d) Sí existe diferencia entre uno y otro bueno, y entre uno y
va la cantidad de águilas que quedan hacia arriba. otro defectuoso; además, sí importa el orden entre defec-
a) Establezca los elementos del espacio muestral de este ex- tuoso y bueno.
perimento. 4. Una agencia comercial compra papelería a uno de tres ven-
b) Sea A el evento: “obtención de al menos un águila”. Escri- dedores V1, V2, V3. El pedido se ordena en dos días sucesivos
ba los elementos de A. (sin repetir vendedor), un pedido por día, tal que V1V3, lo
2. Suponga que se lanzan tres monedas no cargadas y se obser- que significa que el vendedor V1 recibe el pedido el primer
van las combinaciones posibles de resultados que pueden día y el vendedor V3 lo recibe el segundo día. Establezca los
ocurrir con las tres monedas. puntos muestrales de este experimento.
a) Establezca los puntos muestrales de este experimento. 5. En un experimento que consiste en lanzar un dado no car-
b) Sea A el evento “Observar al menos un águila”. Obtenga gado una vez, al salir un número par entonces se lanza una
los puntos muestrales de A. moneda no cargada. En cambio, si el lanzamiento del dado
3. Un aparato electrónico contiene cuatro sistemas electróni- no resulta par, entonces se lanza el dado por última vez.
cos. Al azar se seleccionan dos de estos cuatro sistemas para Describa el espacio muestral para este experimento.
someterlos a pruebas rigurosas y clasificarlos como defec- 6. El administrador de una red logística de autobuses tiene que
tuosos o no defectuosos. Si dos de los cuatro sistemas en tomar la decisión de cómo distribuir dos de tres autobuses
realidad son defectuosos, encuentre el espacio muestral del para viajar a otra ciudad. Represente con a1, a2 y a3 a los tres
experimento suponiendo que: autobuses y describa el espacio muestral del experimento:
a) No se diferencia entre uno y otro bueno, ni entre uno y “Seleccionar dos autobuses para viajar a la otra ciudad”.
otro defectuoso, ni importa el orden entre bueno y defec- 7. El administrador de una red logística de autobuses debe to-
tuoso, solo importa cuántos buenos y cuántos defectuo- mar la decisión de cómo ordenar la distribución de dos de
sos hay. tres autobuses con el fin de que viajen a otra ciudad en dos
b) Sí existe diferencia entre uno y otro bueno, y entre uno y días sucesivos (sin repetir un autobús). Represente con a1, a2
otro defectuoso; sin embargo, no importa el orden entre y a3 los tres autobuses. Ordene los viajes de tal forma que
bueno y defectuoso, solo importa cuántos buenos y a1a3, lo que significa que el autobús a1 viaja a la otra ciudad
cuántos defectuosos hay. el primer día y el autobús a3 el segundo día.
c) No se diferencia entre uno y otro bueno, ni entre uno y a) Establezca los puntos muestrales de este experimento.
otro defectuoso, pero sí importa el orden entre defectuo- b) ¿Qué diferencia observó con la respuesta del problema
so y bueno. anterior?
1.2 Interpretaciones de la probabilidad
En la actualidad, la palabra probabilidad es empleada con demasiada frecuencia por las personas; por ejemplo, en expresiones como:
“Es probable que hoy estudie estadística”; “El equipo mexicano de fútbol está jugando mal, y es muy probable que en su siguiente
partido pierda”; “El cielo está bastante despejado; por tanto, no hay muchas posibilidades de que llueva”; entre otras. Como se pue-
de notar en las expresiones anteriores, las palabras relacionadas con la probabilidad tienen la característica de basarse en sucesos
que pueden ser verdaderos, además de que a causa de los hechos observados (resultados preliminares, tiempo, etcétera), se puede
hablar de la posibilidad de su ocurrencia.
A pesar de los esfuerzos realizados por muchos matemáticos para asignar de forma única la probabilidad a un suceso, todo
ha sido en vano, pues desde los inicios de su estudio hasta nuestros días no existe una forma única de asignación de probabilidades.
Solo contamos con diferentes corrientes de probabilidad, las cuales se aplican para asignar un valor numérico a la posibilidad de la

1.2 Interpretaciones de la probabilidad 9
ocurrencia de algún suceso probabilístico.1 De hecho, el verdadero significado de la probabilidad aún se considera conflictivo; por
tanto, en lugar de iniciar el siguiente texto con una definición formal de probabilidad, primero trataremos sus cuatro corrientes más
comunes.
Corriente frecuentista
En la corriente frecuentista —tal vez una de las más empleadas— se asigna un valor de probabilidad a un evento E, a partir del cual se
considera que ocurrirá. La definición o interpretación de la probabilidad está basada, como su nombre lo indica, en la frecuencia
relativa con la cual se obtendría E, si el experimento se repite una gran cantidad de veces, en con-
La frecuencia relativa de un diciones similares (no idénticas, puesto que en este caso el proceso no sería aleatorio).
suceso es igual al cociente de
Un ejemplo de la frecuencia relativa de un suceso es un experimento en el que se lanza una
la cantidad de veces que ocurre
moneda tres veces y se cuenta la cantidad de soles que aparecen. Así, sea el evento E: “obtención
el suceso entre el total de veces
que se repite el experimento. de dos soles en los tres lanzamientos”; la pregunta es: ¿cuál es la probabilidad de que ocurra el
evento E?
Para responder a la pregunta desde el punto de vista frecuentista, se debe realizar el experimento una gran cantidad de ve-
ces. Supóngase que el experimento se repite 1 000 veces en condiciones similares y como resultado se obtienen 400 casos con dos
400
soles; en tal situación, se diría que la probabilidad de que ocurra E, será: = 0.4. Ahora bien, si el experimento se repite 100 000
1 000
38 000
veces, de las cuales 38 000 resultan con dos soles, diríamos que la probabilidad de que ocurra E es: = 0.38, de esta forma po-
100 000
dríamos repetir nuestro experimento tantas veces como se quiera y obtener una frecuencia relativa para la probabilidad del evento
E. Entonces, surge la siguiente pregunta: ¿por qué diferentes resultados para un mismo evento? La respuesta está en la interpretación
de qué entendemos por: “repetir el experimento una gran cantidad de veces”, ¿qué se entiende por una gran cantidad de veces?, y
¿cuál sería dicha cantidad de repeticiones? Dichas condiciones son muy vagas para servir de base en una definición científica de
probabilidad. Aunado a lo anterior, no es posible repetir una gran cantidad de veces muchos de los fenómenos, por ejemplo:
a) Para calcular la probabilidad de que el lanzamiento de un cohete resulte exitoso, evidentemente no es posible realizar una gran
cantidad de lanzamientos de cohetes; por tanto, la probabilidad se obtiene en forma frecuentista del éxito de un lanzamiento.
b) ¿Cómo calcular la probabilidad de que Manuel viva 70 años? ¿Cuáles serían las repeticiones?
c) Para calcular la probabilidad de que Juan Pérez se case este año, tampoco podemos realizar una gran cantidad de repeticiones
del experimento; por tanto, se indica el valor numérico que represente desde el punto de vista de la frecuencia relativa que Juan
Pérez se case o no este año.
Corriente clásica (a priori )

En la corriente clásica se consideran espacios muestrales uniformes, es decir, se asignan probabilidades a eventos con base en resul-
tados equiprobables (igualmente verosímiles). Esto es, los clasistas asignan la misma probabilidad a cada punto del espacio muestral
1
(es decir: , donde n es la cantidad de elementos del espacio muestral); posteriormente, para obtener la probabilidad de la ocurrencia
n
1
de un evento E, se suma la cantidad de elementos de E y se multiplica por la probabilidad de un elemento del espacio muestral  .
°n
Cabe apuntar que de lo anterior se deduce que la probabilidad de los puntos muestrales se establece a priori; es decir, antes de cual-
quier experimento.
Resolviendo el ejemplo anterior en la forma clásica tendremos, lo siguiente:
Se lanza una moneda equilibrada tres veces y se anotan los resultados posibles que aparecen; sea el evento E: “obtención de dos soles
en los tres lanzamientos”, la pregunta es: ¿cuál es la probabilidad de que ocurra el evento E?
Para responder a la pregunta, primero obtenemos el espacio muestral desde el punto de vista clásico; de este modo, representan-
do águila por a y sol por s, tendremos:
S = { sss , ssa , sas , ass , saa , asa , aas , aaa}.
En estos casos, ssa representa que los primeros dos lanzamientos resultaron soles y el tercer lanzamiento águila. Considerando
1
que cada punto del espacio muestral es equiprobable con probabilidad de ocurrencia , tendremos que la probabilidad del evento E
8
(resulten dos soles en los tres lanzamientos) se resuelve al conocer la cantidad de elementos del evento:
1 Existe una gran cantidad de sucesos en los que cada una de sus alternativas tiene varias soluciones, pero sin que se tenga la posibilidad de una asignación numérica
de probabilidad, en tal caso se dice que el suceso ocurre bajo incertidumbre.

E = { ssa , sas , ass}.

En este caso, como E contiene tres elementos tenemos que la probabilidad de que ocurra el evento E es:
1
Probabilidad de E = 3 × = 0.375 .
8
Algunas de las dificultades por las cuales atraviesa esta interpretación de probabilidad son:
• En primer lugar, al hablar de resultados equiprobables (que tienen la misma probabilidad) estamos empleando el concepto que
estamos definiendo.
• En segundo lugar, cuando los resultados no son equiprobables (en este caso el ejemplo 3 de la sección 1.5, sobre el lanzamiento
de los dos dados, donde se anota la suma de los números resultantes S = {2, 3, 4, 5, 6, 7, 8, 9,10,11,12}, sus elementos no son
equiprobables. ¡Calcúlelos!).
• En tercer lugar no se indica un método para realizar el cálculo de las probabilidades.
• En otros casos como los siguientes, la probabilidad clásica no da respuesta:
a) Para calcular la probabilidad de que el lanzamiento de un cohete resulte exitoso, no podemos asignar probabilidades iguales
a los resultados del experimento; por tanto, es necesario un método diferente para el cálculo de probabilidades.
b) Para calcular la probabilidad de que una persona se case este año, no podemos hablar de resultados equiprobables para
determinar el valor numérico que represente la probabilidad de que dicha persona se case este año, considerando a todos
los años equiprobables.
Corriente subjetivista
En la corriente subjetivista (interpretación de la probabilidad que es muy empleada en el estudio del análisis de decisiones) se asig-
nan probabilidades a eventos basándose en el conocimiento o experiencia que cada persona tiene sobre el experimento; por tanto, la
probabilidad asignada está sujeta al conocimiento que el científico tenga con respecto al fenómeno estudiado. De este modo, para un
mismo experimento las probabilidades asignadas por diferentes personas pueden ser distintas. En el ejemplo anterior del lanzamien-
to de la moneda tres veces, donde se realiza el conteo de la cantidad de soles que aparecen, el evento E se definió como la obtención
de dos soles en los tres lanzamientos. La pregunta es: ¿cuál es la probabilidad de que ocurra el evento E? Para responder a la pregun-
ta anterior, desde el punto de vista subjetivista, la respuesta dependerá del conocimiento que se tenga del lanzamiento de la moneda.
Por ejemplo, si el individuo que lanza la moneda puede tener cierta habilidad en el lanzamiento, dará una probabilidad mayor a la
verosimilitud del evento E; por el contrario, si el sujeto no tiene tal habilidad, la probabilidad será pequeña.
La probabilidad subjetiva se suele asignar cuando se tiene poco o nada de conocimiento previo sobre el evento. Es decir, cuando
los eventos se presentan solo una vez o un número muy reducido de veces. Por ejemplo, si en una empresa se está programando la
logística de distribución de material final, la asignación de probabilidad de que los recorridos se realicen con éxito al no tener infor-
mación de datos históricos, se puede asignar de forma subjetiva.
La interpretación subjetiva de la probabilidad tiene diferentes dificultades, y una de las principales es la dependencia en el juicio
de cada persona al asignarla, además de que tal juicio debe estar completamente fuera de contradicciones, lo que es sumamente di-
f ícil por depender de la persona que la asigna. Como se hizo mención antes, a un mismo experimento se le pueden asignar diferentes
probabilidades de éxito, dependiendo del científico que lo está realizando, aun en el caso de que dos o más científicos trabajen en
conjunto. Finalmente, podemos mencionar que en la asignación de probabilidades subjetivas se emplea, en muchos casos, el conoci-
miento frecuentista que se tenga del experimento.
La asignación subjetiva de probabilidades fue introducida en 1926 por Frank Ramsey en su libro The Foundation of Mathematics
and other Logical Essays. Posteriormente, Bernard Koopman, Richard Good y Leonardo Savage fueron perfeccionando esta manera
de asignar probabilidades.
Corriente bayesiana (a posteriori )

En la corriente bayesiana se asignan probabilidades a los eventos después del experimento. Es decir, la asignación de probabilidades
está basada en el conocimiento de la ocurrencia de eventos que estén en dependencia con el evento de estudio. Por ejemplo, si que-
remos asignar una probabilidad al evento de que el día 3 de septiembre llueva y tenemos la siguiente información:
a) Los días 1 y 2 de septiembre no llovió.
b) Los días 1 y 2 de septiembre llegó un huracán a 400 kilómetros de distancia y llovió ambos días.
Es obvio suponer que la asignación de probabilidades en ambos casos es muy diferente, ya
Las probabilidades de este tipo que tenemos información que hace cambiar nuestra asignación de probabilidades. En tal situación
se estudian en el capítulo 3, decimos que la información obtenida influyó en la asignación de probabilidades. Otro ejemplo, es el
Probabilidad condicional.
caso anterior cuando se lanza una moneda equilibrada tres veces y se cuenta la cantidad de soles

1.3 Álgebra de eventos 11
que aparecen, el evento E: “obtención de dos soles en los tres lanza-

Después de revisar las corrientes de probabilidad y ver que no tenemos
una forma universal de asignación de probabilidades para un evento, mientos”; la pregunta es: ¿cuál es la probabilidad de que ocurra el
concluimos que no es posible construir una teoría matemática formal evento E?, si se sabe que el primer lanzamiento resultó sol.
de las probabilidades. Por tanto, es necesario estructurar a la Esta corriente de probabilidad es la base motora de la teoría
probabilidad sobre una base axiomática que le dé el formalismo que de decisiones, puesto que cualquier toma de decisiones está influi-
el álgebra, la geometría y las otras áreas de las matemáticas tienen, da por todo tipo de información que se pueda tener sobre un fenó-
lo cual se logra haciendo uso de la teoría de conjuntos aplicada a los meno en estudio. El uso de esta corriente es posible en la parte de
eventos, formando lo que denominaremos álgebra de eventos. decisiones llamada árboles de decisión.
Ejercicios 1.2
1. ¿En qué se basa la definición frecuentista para calcular la a) La probabilidad de que salga una carta roja al seleccionar
probabilidad de un evento? una carta de una baraja de 52.
2. ¿Cómo se considera el espacio muestral en la corriente clá- b) La probabilidad de que salga un 2 o una carta negra al
sica de probabilidad? seleccionar una carta de una baraja de 52.
3. ¿Cómo es la asignación de probabilidades en los eventos de c) La probabilidad de que salga un 7 o un 8 al seleccionar
la corriente subjetiva? una carta de una baraja de las 52 cartas que contiene el
4. ¿Por qué a la corriente bayesiana se le conoce también con el mazo.
nombre de a posteriori? d) La probabilidad de que en 2018 Marcelo Ebrard gane las
5. ¿Cuáles son las dificultades por las que atraviesa la interpre- elecciones para presidente .
tación clásica para la asignación de probabilidades a los dife- e) La probabilidad de que 10 de los siguientes 80 usuarios
rentes eventos? del metro en la estación Universidad sean estudiantes.
6. Si quiere abrir un negocio en cierta localidad y desea esti- f) La probabilidad de que el siguiente edificio más alto que
mar una probabilidad de éxito, qué tipo de corriente de pro- se construye en China se caiga en 40 años.
babilidad aplicaría en cada una de las situaciones indicadas 8. En los siguientes ejemplos, ¿qué tipo de corriente se pudo
considerando lo siguiente: haber utilizado para la probabilidad asignada?
a) Cuenta con una gran cantidad de datos históricos sobre a) La probabilidad de que Víctor llegue temprano al trabajo
éxitos y fracasos en la apertura de negocios del mismo es de 0.65.
ramo que el de usted en localidades semejantes. b) La probabilidad de que Raquel decida casarse este año es
b) No tiene datos que le muestren algún histórico sobre las de 0.90.
probabilidades de éxito de su negocio. c) La probabilidad de que Morelia gane el siguiente partido,
7. ¿Cómo asignaría probabilidades a los siguientes eventos? si ha ganado los cuatro últimos juegos, es de 0.79.
1.3 Álgebra de eventos
En la sección 1.1 se definieron los conceptos de espacio muestral y evento, entendiendo por este último un subconjunto del espacio
muestral, entonces es posible utilizar los resultados obtenidos en la teoría de conjuntos para los espacios muestrales y los eventos
para construir un álgebra de eventos.
Conceptos fundamentales de eventos

El espacio muestral fue denotado por S, los eventos con letras mayúsculas, A, B, C, etcétera, mientras que los resultados del experi-
mento que cumplen las condiciones del evento se representan con letras minúsculas a, b, etcétera. Si el resultado a pertenece al
evento A, lo simbolizamos a ∈ A ; en caso contrario, por a ∉ A . Los eventos también se representan con llaves, dentro de las que se
escriben sus elementos (¡sin repetirlos!), o las propiedades que dichos elementos cumplen, por ejemplo:
A = { x | x es el lado que queda arriba al lanzar un dado} evento por comprensión.
A = {1, 2, 3, 4, 5, 6} evento por extensión.
Los eventos que revisamos en el texto se pueden clasificar en dos grandes grupos. El primero de ellos se define y ejemplifica a
continuación.

Si al contar los elementos de un evento, el proceso de conteo termina en el tiempo, es decir, resulta una cantidad determinada, entonces
dicho evento se llama finito.
Ejemplos 1.7 Eventos finitos

1. A: Número par resultado del lanzamiento de un dado: A = {2, 4, 6}.
2. A: Al menos se observan cuatro soles en seis lanzamientos de una moneda: A = {4, 5, 6} .
A continuación, definimos y mostramos dos ejemplos de eventos que no pueden ocurrir.

El evento que no contiene ningún elemento, esto es, en el que no existe algún resultado del experimento que cumpla las condiciones del
evento, se llama evento vacío. El evento vacío suele denotarse por ∅ o { }.
Ejemplos 1.8 Evento vacío

1. A: “Lanzamiento de un par de dados y que la suma de los números de sus lados sea mayor a 13”. Es decir, A = { } , el evento A no
tiene ningún elemento, puesto que la máxima suma de los números de las caras en el lanzamiento de dos dados es 12.
2. En una supervisión para el control de calidad se inspecciona un lote con 30 artículos, entre los cuales hay dos defectuosos. Sea
el evento A: “Extraer cuatro artículos al mismo tiempo que contenga tres defectuosos”. Como el lote tiene únicamente dos defec-
tuosos, entonces no existen eventos que contengan tres defectuosos; por tanto, A =° .
Antes de definir al otro gran grupo de eventos en que se pueden clasificar todos estos, aparte
de los eventos finitos, veamos una definición de eventos que no necesariamente son finitos, pero
Con la definición de numerable que sí podemos establecer un proceso de conteo entre sus elementos.
o contable se puede verificar
que cualquier evento finito es Se dice que un evento A es numerable o contable si entre sus elementos y el conjunto de los números
numerable, ya que siempre será naturales, , o algún subconjunto de este existe una correspondencia en la que a cada elemento del
posible establecer un proceso evento A le corresponde uno y solo un elemento de (o de algún subconjunto de ), además a cada
de conteo entre sus elementos. elemento de (o de algún subconjunto de ), le corresponde un elemento de A.
A continuación se muestran tres ejemplos de eventos numerables.
Ejemplos 1.9 Eventos numerables

Los siguientes incisos son casos particulares de eventos numerables.
1. El conjunto A = { x | x es una vocal }. Este evento es numerable, ya que podemos ponerlo en correspondencia con el subconjun-
to de los números naturales {1, 2, 3, 4, 5} de la siguiente manera:
a  1 ; e  2; i  3; o  4; u5
2. El conjunto de los enteros . Este evento es numerable, ya que podemos ponerlo en correspondencia con el conjunto de los
números naturales de la siguiente manera:
0 1 1 3 25
−1  2 − 2  4 etcétera
En donde, 0  1 significa que al cero le corresponde el uno, de manera similar −1  2 , significa que al −1 le corresponde
el 2, etcétera.
3. A =− { 8, − 6, − 4, − 2, 0, 2, 4, …} . Este evento es numerable y su correspondencia la podemos establecer por:
−8  1 −2  4
−6  2 05
−4  3 2  6 etcétera
Por último, definiremos al otro gran grupo de eventos entre los que podemos clasificar a todos los eventos que no son finitos.

Se dice que un evento A es infi-
Con la definición de eventos finitos se puede notar que un evento numerable es infinito, si al contar los
nito si para cualquier evento
resultados posibles del evento el proceso de conteo no termina en el tiempo. También cualquier evento
D = {1, 2, 3, 4,…, n} no existe
no contable es infinito.
un valor de n ∈ con el que se
La teoría de eventos infinitos requiere una preparación conceptual profunda que sale de los
pueda establecer una correspon-
objetivos del texto, pero se recomienda consultar los trabajos de los mayores exponentes del tema,
dencia biunívoca entre A y D.
como el ruso Georg Ferdinand Ludwing Philipp Cantor (San Petersburgo, Rusia, 3 de marzo de
1845-Halle, Alemania, 6 de enero de 1918) y de los alemanes Julius Wilhelm Richard Dedekind (6 de A continuación se muestran tres
octubre de 1831-12 de febrero de 1916) y Friedrich Ludwing Gottlob Frege (8 de noviembre de 1848- ejemplos de eventos infinitos.
26 de julio de 1925).
Ejemplos 1.10 Eventos infinitos

1. E: “La cantidad de lanzamientos de una moneda hasta obtener la primera águila”, E = {1, 2, 3, …}.
2. El evento cuyos elementos son todos los puntos del intervalo indicado en donde los extremos son diferentes, E = (2, 7).
3. El evento que representa la temperatura corporal de una persona. Este evento es infinito ya que al medir la temperatura puede
ocurrir cualquier valor dentro de un intervalo.
Los conceptos anteriores, aunque sencillos, requieren de gran cuidado en su aplicación. En los casos de eventos infinitos, se
presentan dificultades para encontrar la correspondencia que indique si son o no numerables. Si a esto agregamos que los eventos
infinitos no siempre son numerables y que la demostración de esto no es sencilla surgen muchas dificultades para distinguir entre
eventos numerables y no numerables, además de que es necesaria la introducción de algunos otros conceptos que quedan fuera del
objetivo del libro. En el texto se tiene que los únicos eventos no numerables con los que tratamos son cuando resulten intervalos. Por
ejemplo, cualquier evento cuyos elementos son los puntos del intervalo (a, b) con a ≠ b no es numerable.
Relaciones fundamentales entre eventos

Cuando trabajamos con eventos observamos que entre sus elementos pueden existir algunas relaciones, mismas que revisamos a
continuación.
Los eventos A y B correspondientes a un mismo experimento son iguales, si cualquier resultado de A es también elemento de B y vice-
versa:
A =°
B , si a ∈ A, entonces a ∈ B y viceversa, ∀b ∈ B , entonces b ∈ A.
A continuación se muestra un par de ejemplos de eventos iguales.
Ejemplos 1.11 Igualdad de eventos

1. Los eventos A = {a , e , i , o , u} y el evento B = { x | x es una vocal }; en este caso, A = B.
2. Los eventos A = {1, 3, 5, 7, 9} y el evento B = { x | x es un número dígito impar}; en este caso, A = B.
Una relación muy particular entre los eventos consiste en estudiar los casos cuando todos los elementos de un evento dado están
contenidos en el otro evento, suceso que se define a continuación.
Sean los eventos A y B correspondientes a un mismo experimento, se dice que A es subevento de B si cualquier elemento que esté en A
está también en B. Lo anterior se simboliza A ⊂ B. Es decir, A ⊂ B; si a ∈ A, entonces a ∈ B. Cuando existe al menos un elemento de A que
no está en B, entonces se dice que A ⊄ B.
Para una mejor comprensión de lo que son los subeventos se proporcionan algunos ejemplos.
Ejemplos 1.12 Subeventos

1. Dados los eventos A = {a , e , i , o , u} y B = { x | x es una letra del alfabeto}, se cumple A ⊂ B.
2. Sean A = [ 2, 5 ] y B =−[ 9, 20 ], vemos que A ⊂ B.
3. Sean A = [ 2, 5 ] y B = (2,10 ], en este caso A ⊄ B, puesto que 2 ∈ A , pero 2 ∉ B .

Como se mencionó antes, entre los elementos de dos o más eventos puede ser que no exista
1. De las definiciones de igualdad de
eventos y subeventos se deduce alguna propiedad en común, en dicho caso se dice que ambos se excluyen o, concretamente,
que si A = B, entonces A ⊂ B que son mutuamente excluyentes, esto se formaliza con la definición y los ejemplos siguientes.
y B ⊂ A. Los eventos A y B, correspondientes a un mismo experimento, se llaman mutuamente excluyentes
2. Podemos generalizar que el si no tienen resultados comunes. Es decir, para cualquier a ∈ A, se cumple a ∉ B; de igual manera,
evento vacío es subevento de para todo b ∈ B, tenemos que b ∉ A.
cualquier evento.
Ejemplos 1.13 Eventos mutuamente excluyentes

1. Sean los eventos A = {a , e , i , o , u} y B = { x | x es una consonante}; en este caso, A y B son mutuamente excluyentes, ya que no
existe ningún elemento que sea vocal y consonante al mismo tiempo.
2. Sean A = [2, 5] y B = [9, 20]; en este caso, A y B son mutuamente excluyentes.
Entonces, podemos generalizar que el evento vacío es mutuamente excluyente con cualquier otro evento.
Diagramas de Venn-Euler
En muchas ocasiones es preferible emplear una repre-
sentación gráfica de los eventos de un experimento, la S
cual usualmente consiste en representar el espacio mues- A B
tral por rectángulos y los eventos por figuras circulares u
ovaladas en forma simple o sombreada, como se muestra
en la figura 1.2. Estos diagramas se emplean para visuali-
zar las operaciones fundamentales entre eventos y se les
llama diagramas de Venn-Euler en honor a los matemá
ticos Leonhard Paul Euler (Basilea, Suiza, 15 de abril de
1707-San Petersburgo, Rusia, 18 de septiembre de 1783) Figura 1.2 Representación de eventos por medio de diagramas
de Venn-Euler.
y John Venn (Hull, Yorkshire, Inglaterra, 4 de agosto de
1834-Cambridge, 4 de abril de 1923).
Se ha observado que muchos Operaciones fundamentales entre eventos

estudiantes cometen el Dado un espacio muestral y sus eventos, surge la pregunta sobre qué operaciones será posible y es
gravísimo error, al realizar
conveniente definir entre estos. En esta subsección se estudian algunas operaciones fundamenta-
operaciones entre eventos, de
les entre eventos, como unión, intersección, diferencia y complemento.
indicar como resultado de estas
operaciones solo a los elementos,
sin formar un evento. Pero las Unión entre eventos
operaciones entre eventos La unión de los eventos A y B, correspondientes a un mismo experimento, constituye, en sí mismo,
siempre deben dar como otro evento formado por los resultados que pertenecen al evento A o al evento B o a ambos. La
resultado otro evento.
unión la simbolizaremos por A ∪ B (A unión B).
A ∪ B = {x x ∈ A o x ∈ B } la unión de los eventos A y B.
La representación general de la unión, por medio de diagramas de Venn-Euler, se ilustra en la parte sombreada de la figura 1.3.
S A∪B
A B
Figura 1.3 Representación general de la unión entre dos eventos.

Ejemplos 1.14 Unión entre dos eventos

Observe que en el último ejemplo
1. Sean los eventos A = {a , e , i , o , u} y B = {e , o , h, w }. Entonces: A ∪ B = {a , e , i , o, u , h, w} . (3, 4] ⊂ [2, 5), y la unión fue
[2, 5). En general, si A ⊂ B, se
2. Sean los eventos A =−[ 1, 5) y B = (3, 8 ]. Entonces: A ∪ B = [−1, 8 ]. cumple que A ∪ B = A.
3. Sean los eventos A = [ 2, 5) y B = (3, 4 ]. Entonces: A ∪ B = [ 2, 5) = A.
Intersección entre eventos

La intersección entre los eventos A y B, correspondientes a un mismo experimento, es otro evento formado por los elementos que
pertenecen a ambos eventos. La intersección la simbolizaremos de la siguiente manera: A ∩ B (A intersección B).
A ∩ B = { x x ∈ A y x ∈ B } la intersección entre los eventos A y B.
La representación general de la intersección mediante diagramas de Venn-Euler, corresponde al área sombreada de la figura 1.4.
S A∩B
A B
Figura 1.4 Representación general de la intersección entre A y B.
Ejemplos 1.15 Intersección entre dos eventos

Observe que en el último ejemplo
1. Sean los eventos A = {a , e , i , o , u} y B = {e , o , h, w }. Luego, A ∩ B = {e , o}. (3, 4] ⊂ [2, 5), y la intersección
2. Sean los eventos A =−[ 1, 5) y B = (3, 8 ]. Luego, A ∩ B = (3, 5). fue (3, 4]. En general, si A ⊂ B
se cumple que A ∩ B = B.
3. Sean los eventos A = [ 2, 5) y B = (3, 4 ]. Luego, A ∩ B = (3, 4 ] = B .
Diferencia entre eventos

La diferencia del evento A menos el evento B, correspondientes a un mismo experimento, es otro evento formado por los elementos
del evento A y que no pertenecen al evento B. La diferencia la simbolizaremos de la siguiente manera: A − B (A menos B).
A− B ={x x ∈ A y x ∉ B} la diferencia del conjunto A menos B.

La representación general de la diferencia, mediante diagramas de Venn-Euler, se ilustra en el área sombreada de la figura 1.5.
S A–B
A B
Figura 1.5 Representación general de la diferencia A − B.

Ejemplos 1.16 Diferencia entre eventos Observe que en este ejemplo

(3, 4] ⊂ [2, 5) y la diferencia
1. Sean los eventos A = {a , e , i , o , u} y B = {e , o , h, w } . Luego, A − B = {a , i , u } y B − A ={h, w}. fue ∅. En general, si A ⊂ B se
2. Sean los eventos A =−[ 1, 5) y B = ( ]
3, 8 . Luego, A − B = [ −1, 3 ] y B − A = [ ]
5, 8 . cumple que B − A = ∅.
3. Sean los eventos A = [ 2, 5) y B = (3, 4 ]. Luego, B − A = ∅.
4. Sean los eventos A = [ 2, 5) y B = (13, 24 ]. Luego, A − B = A y B − A = B.
Observe que en el último ejemplo A y B son mutuamente excluyentes. En general, si

los eventos son mutuamente excluyentes, se cumple que A − B = A y B − A = B.
Evento complementario o complemento de un evento

El complemento del evento A es otro evento formado por los resultados del experimento que pertenecen al espacio muestral, pero
que no pertenecen al evento A. El complemento del evento A, lo simbolizaremos como Ac o A' o Ā (complemento de A).
Ac = { x x ∈ S y x ∉ A} el evento complementario de A.
La representación general del complemento de un evento mediante diagramas de Venn-Euler se ilustra en el área sombreada de
la figura 1.6.
S AC
A B
Figura 1.6 Representación general del complemento de A.
Ejemplos 1.17 Evento complementario

1. Sea S = { x | x
es una letra del alfabeto} y B = { x | x es una consonante}. Luego, Bc = {a , e , i , o , u}.
[ 4,10 ] y A =−
2. Sea S =− [ 1, 5) , entonces Ac =−[ 4, −1)∪[ 5,10 ].
A continuación se muestra una serie de ejemplos de las operaciones entre eventos, en los que se consideran cualquiera de estas.
Ejemplos 1.18 Operaciones entre eventos

1. Dados el espacio muestral S = , el conjunto de los números enteros y los eventos A = {2, 3, 5, 7, 11, 13, 17}, B = {5, 6, 7, 8,…, 30},
C = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} y D =−
{ 6, − 4,…, 10, 12}, encuentre:
a) A ∩ B, A ∪ B, C ∩ A, C ∪ D, A − B, C − A, A ∩ D.
A ∩ B = {2, 3, 5, 7, 11, 13, 17}∩ {5, 6, 7, 8,…, 30} = { 5, 7, 11, 13, 17}.
A ∪ B = {2, 3, 5, 7, 11, 13, 17}∪ {5, 6, 7, 8, … , 30} = {2, 3, 5, 6, 7, 8, … , 30} .
C ∩ A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}∩ {2, 3, 5, 7, 11, 13, 17} = {2, 3, 5, 7} .
C ∪ D = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}∪ {−6, − 4, − 2, 0, 2, 4, 6, 8, 10, 12}
{ 6, − 4, − 2, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12}
=−

A− B ={2, 3, 5, 7, 11, 13, 17}−{5, 6, 7, 8, … , 30} =

{2, 3}.
C − A ={0, 1, 2, 3, 4, 5, 6, 7, 8, 9}−{2, 3, 5, 7, 11, 13, 17} =
{0, 1, 4, 6, 8, 9}.
A ∩ D = {2, 3, 5, 7, 11, 13, 17}∩ {−6, − 4, − 2, 0, 2, 4, 6, 8, 10, 12} = {2}.
B ∩ D = {5, 6, 7, 8, … , 30}∩ {−6, − 4, − 2, 0, 2, 4, 6, 8, 10, 12} = { 6, 8, 10, 12}.
2. Encuentre los resultados de las operaciones siguientes:
a) ( A ∩ B )−( A ∩ D) = {5, 7, 11, 13, 17}−{2} = {5, 7, 11, 13, 17}.

c
b) ( B ∩ D ) ∩ C = { 6, 8, 10, 12} ∩ {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = {0, 1, 2, 3, 4, 5, 7, 9}.
c

c
c) ( A − B ) ∩ C = {2, 3} ∩ {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = {0, 1, 4, 5, 6, 7, 8, 9}.
c

d) (C − A) ∩ D = {0, 1, 4, 6, 8, 9} ∩ {−6, − 4, − 2, 0, 2, 4, 6, 8, 10, 12} = { 0, 4, 6, 8}.

e) ( A ∩ D )−C =− {2} {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = ∅ .
c c c c
f) ( A ∩ B ) −( A ∩ D ) = { 5, 7, 11, 13, 17} −{2}
=− {…1, 2, 3, 4, 6, 8, 9, 10, 12, 14, 15, 16, 18, 19, …} {…0, 1, 3, 4, …} = {2}.
3. Con diagramas de Venn-Euler verifique si son válidas las siguientes igualdades entre conjuntos.
a) Ac ∩ B = B − A
S AC S AC ∩ B
A B A B
Figura 1.7 Representación de la igualdad entre Ac ∩ B = B − A.
4. Represente en diagramas de Venn-Euler los siguientes hechos: los eventos A y B son mutuamente excluyentes, A ∩ C ≠ 0∅ y
B ∩ C ≠ 0∅.
A B
Figura 1.8 Representación del ejemplo 4.
Particiones de eventos
En teoría del álgebra de eventos es de suma importancia trabajar con algunos eventos especiales donde sus mismos elementos son
eventos de un espacio muestral dado. De hecho, el desarrollo teórico de las probabilidades está basado en dichos eventos, pero debi-
do a los fines de un texto práctico de probabilidad y estadística, nos enfocaremos únicamente a uno de estos que definimos a conti-
nuación.
Llamaremos familia de eventos al conjunto donde todos sus elementos son eventos. Para diferenciar en la notación de un simple evento,
a la familia de eventos la representaremos por A, B, etcétera.

Ejemplos 1.19 Familia de eventos

Indique cuáles son familia de eventos y cuáles no lo son.
1. {{1, 2, 3},{2, 3, 5, 7},{4, 8, 12, 16}} sí es una familia de eventos, ya que sus tres elementos {1, 2, 3},{2, 3, 5, 7} y {4, 8, 12, 16}
son eventos.
2. {1, 2, {1, 2, 3} ,{2, 3, 5, 7}} no es una familia de eventos, puesto que sus elementos 1 y 2 no son eventos.
3. {∅,{1, 2, 3},{2, 3, 5, 7},{4, 8, 12, 16}} sí es una familia de eventos, ya que sus cuatro elementos ∅,{1, 2, 3},{2, 3, 5, 7} yy {4, 8, 12, 16}
∅,{1, 2, 3},{2, 3, 5, 7} y {4, 8, 12, 16} son eventos.
4. {1, 2, 3,4 } no es una familia de eventos, puesto que ninguno de sus cuatro elementos es un evento.
Generalización de la unión e intersección de eventos

Sean los eventos A1, A2, … , An, podemos generalizar las operaciones de unión e intersección entre ellos de la siguiente manera:
n
∪ A = A ∪ A ∪…∪ A
i=1
i 1 2 n = { x |existe una i ∈ I n tal que x ∈ Ai } unión
n
∩ A = A ∩ A ∩…∩ A
i=1
i 1 2 n = { x | x ∈ Ai para toda i ∈ I n } intersección.
Donde In denota al conjunto de todos los números naturales menores e iguales a n.
Ejemplos 1.20 Generalización de la unión e intersección de eventos

Sean los eventos A11 = {1, 2, 3, 4, 5, 6, 7, 8, 9}, A22 = {1, 4, 7, 10, 13, 16, 19, 22}, A33 = {3, 5, 7, 9, 11}, A44 = {2, 4, 6, 8, 10} y A5 = {0, 1, 2,
A5 = {0, 1, 2, … , 9}, encuentre la unión e intersección de estos eventos.
Solución
5
Unión: ∪ Ai = {0, 1, 2,…, 10, 11, 13, 16, 19, 22}.
i=1
5
Intersección: ∩ Ai =° .
i=1
En el estudio de los eventos y sus operaciones surgen familias de eventos que debido a sus propiedades son de gran importancia
en la formalización del desarrollo de la Teoría de las probabilidades, a dichas familias se les da el nombre de particiones.
Partición
Sea A un evento y A1, A2, … , An subeventos de A, que forman una familia A = { A1 , A2 ,…, An } de eventos, se dice que A es una par-
tición del evento A, si los subeventos cumplen:
a) Para cualesquiera eventos Ai y Aj , de un mismo experimento, con i, j ∈ In, se cumple Ai = Aj o en caso contrario Ai ∩ A j =∅.
n
b) A = ∪ Ai .
i=1
Ejemplos 1.21 Partición

Dado el evento A = {1, 2,…, 100} indique si los eventos siguientes, del mismo experimento, forman una partición de A.
1. A1 = {1, 2, 3, 4, 5, 6, 7}, A2 = {8, 9, … , 70}, A3 = {70, 71, 72, … , 100}.
Observamos que los tres eventos son subeventos de A, y con esto la segunda condición de una partición se cumple, ya que
A =°
A1 A2 ° A3 ; sin embargo, la primera condición no se cumple, puesto que A2 ≠ A3 y A2 ∩ A3 ≠∅. Entonces los eventos no
forman una partición de A.

2. A1 = {10, 11,…, 19}, A2 = {20, 21,…, 29}, … , A9 = {90, 91, … , 100} y A10 —los números dígitos.
Aquí, se puede verificar que se cumple la primera condición de particiones, ya que los 10 eventos son mutuamente excluyentes,
los eventos no forman una partición de A, ya que el evento A10 no es un subevento de A, puesto que 0 ∈ A10, pero 0 ∉ A.
3. A1 = {10, 11,…, 19} , A2 = {20, 21,…, 29} , … , A9 = {90, 91,…, 100} y A10 = {1, … , 9}.
Estos eventos sí forman una partición del evento A, ya que se cumplen las condiciones:
A =°
A1 A2 ° …° A10 y todos los pares de eventos son mutuamente excluyentes.
4. A1 = {10, 11, … , 19} , A2 = {20, 21, … , 29} , … , A9 = {90, 91, … , 100} , A10 = {1, … , 9} , A11 = {10, 11, … , 19} .
Estos eventos sí forman una partición del evento A, ya que se cumplen las condiciones:
A =°
A1 A2 ° …° A11 , y todos los pares de eventos son mutuamente excluyentes, excepto los eventos 1 y 11, pero en este caso
se tiene que el evento 11 es igual al evento 1.
5. A = .
a) (
A1 =−∞ , − 4 ), A2 =− [ 4, 7), A3 = [ 7, 45 ], A4 = ( 45, 1 056 ], A5 =+∞
(1 056, ). Se comprueba que estos eventos sí forman
una partición del evento A.
(
b) A1 =−∞ , 0), A2 = [ 0, ∞), estos eventos también forman una partición del evento A.
En el último inciso, podemos observar que los dos eventos son complementarios. Es decir, A1 = A2 y A2 = A1. Entonces, el ejem-
c c
plo 5b se puede generalizar.

c
6. Cualquier par de eventos A con su complemento A siempre forman una partición de S.
a) Por ejemplo, si S = {1, 2, 3, 4, 5, 6, 7}, entonces una partición podría ser: A = {1, 3, 5, 7} y A c = {2, 4, 6} .
b) Si S = [ 0, 20 ] , entonces una partición estaría formada por la pareja A = [ 0, 4 ] y A = ( 4, 20 ].
c

Leyes del álgebra de eventos

Trabajar con eventos basándose en la definición de sus operaciones o propiedades resulta bastante tedioso. La solución de problemas
relacionados con los eventos también se puede hacer de manera fácil e intuitiva por medio de los diagramas de Venn-Euler, pero este
método carece de un fundamento sólido teórico para cualquier caso en general. Por lo anterior, se introducen las siguientes leyes de
la teoría de eventos, llamadas “Leyes o propiedades del álgebra de eventos”.
Sean S el espacio muestral y A una familia de eventos en S, con A, B y C, eventos cualesquiera de S, que pertenecen a A, llama-
remos Leyes del álgebra de eventos a las siguientes propiedades.
Tabla 1.1 Leyes del álgebra de eventos.
Leyes de idempotencia
A∪A = A A∩A = A
Leyes asociativas
( A ∪ B ) ∪ C = A ∪ (B ∪ C ) ( A ∩ B ) ∩ C = A ∩ (B ∩ C )
Leyes conmutativas
A ∪B = B ∪ A A ∩B = B ∩ A
Leyes distributivas
A ∪ (B ∩ C ) = ( A ∪ B ) ∩ ( A ∪ C ) A ∩ (B ∪ C ) = ( A ∩ B ) ∪ ( A ∩ C )
Leyes de identidad
A ∪∅ = A A ∪S = S
A ∩° =° A ∩S = A
Leyes de complemento
A ∪ Ac = S A ∩ Ac = ∅
c
(A c ) = A S c = ∅, ∅c = S
c
Leyes de DeMorgan c
(A ∪ B ) = A c ∩ B c (A ∩ B ) = A c ∪ B c

Con ayuda de estas leyes se pueden efectuar demostraciones sobre la igualdad entre eventos, como se muestra en los ejemplos
siguientes.
Ejemplos 1.22 Leyes del álgebra de eventos

Con las leyes del álgebra de eventos verifique las igualdades siguientes:
1. A ∩( A c ∪ B ) = A ∩ B .
A ∩( A c ∪ B ) = ( A ∩ A c )∪( A ∩ B ) ley distributiva,
=∅∪( A ∩ B ) ley del complemento,
= A ∩ B ley de identidad.
2. A ∩( A ∪ B ) = A.
A ∩( A ∪ B ) = ( A ∪∅)∩( A ∪ B ) ley de identidad,
= A ∪(∅∩ B ) ley distributiva,
= A ∪∅ ley de identidad,
= A ley de identidad.
3. ( A ∩ B ∩ C )∪ ( A c ∩ B ∩ C ) ∪( B c ∪ C c ) = S
( A ∩ B ∩ C ) ∪( A c ∩ B ∩ C ) ∪( B c ∪ C c ) =
= ( A ∩ B ∩ C )∪( A c ∩( B ∩ C ))∪( B ∩ C ) leyes de De Morgan y asociativa,
c
(
) (
c c
)
= ( A ∩ B ∩ C )∪  A c ∪( B ∩ C ) ∩ ( B ∩ C )∪( B ∩ C )  ley distributiva,

(

c
) c 
= ( A ∩ B ∩ C )∪  A ∪( B ∩ C ) ∩ S  ley del complemento,

= ( A ∩ B ∩ C )∪( A ∪( B ∩ C ) ) ley de identidad,
c c
= ( A ∩ B ∩ C )∪( A ∩( B ∩ C )) ley de De Morgan,

c
= S ley del complemento.
Ejercicios 1.3
1. Mencione dos ejemplos de eventos finitos y dos de eventos c
e) ( A −C ) ∩B .
infinitos. 4. Por medio de diagramas de Venn-Euler verifique que son cier
2. Indique si los siguientes eventos son numerables.
tas las igualdades siguientes:
a) A = {2, 4, 8, 16, 32, …} .
a) A − B = A∩ B c .
b) A = {a, b, c, d, …}. b) A − B =
c
( A ∪ B )c .
c) A = {45, 44, 43, 42, 41, 40, …}. c) ( B ∪ A) ∩ C = ( B ∩ C )∩( A ∩ C ) .
c c c

d) A = [ 2, 1 768 ] d) A ∪( A ∩ B ) = A ∪ B .
c

e) A =−
c
( 134, 234) . e) ( A ∩ B ) = A ∪ B .
c c

3. Dado el espacio muestral S = {0, 1, … , 20}, los eventos 5. En los eventos siguientes construya una partición de cada
A = {2, 4, 5, 6, 7, 8, 9, 11, 12, 13, 15} , B = {0, 2, 4, … , 20} y uno.
C = {2, 3, 5, 7, 11} , encuentre: a) A = {2, 4, 6, 8, 10, 11, 13, 15, 17, 19, 20} .
a) A ∩ B .
c c b) A = (2, 24 ) .
c) Números naturales.
b) ( A ∩ B ) ∪ C .
c c

d) A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
c) A −( B ∩ C ) .
c
d) ( B −C ) − A .

1.4 Axiomatización de la probabilidad 21
1.4 Axiomatización de la probabilidad

En la sección 1.2 se trata el problema relativo a la asignación de probabilidades para un evento, donde también se destaca la impor-
tancia de crear una base teórica para el estudio de la probabilidad. Dicha formalización comenzó en la sección anterior al introducir
el espacio muestral y los eventos así como las leyes del álgebra de eventos.
En la presente sección daremos por hecho la asignación de probabili-
Andréi Nikoláyevich Kolmogórov (Tambov, Rusia, 25 de abril dad a un evento y comenzaremos a desarrollar una teoría axiomática de las
de 1903-Moscú, 20 de octubre de 1987), fue un matemático probabilidades, a partir de la siguiente definición.
que trabajó en probabilidad, topología, series de Fourier,
teoría de conjuntos, turbulencias, mecánica clásica, y teoría Dado un experimento con espacio muestral S y una familia de eventos A
de la complejidad algorítmica. En 1929 obtuvo su doctorado de S tal que sus elementos cumplen con las leyes del álgebra de eventos,
en la universidad estatal de Moscú. Junto con Márkov llamaremos probabilidad axiomática a la función numérica P, cuyo do-
trabajaron en procesos estocásticos y de forma independiente minio es A y rango el intervalo [0, 1], y es tal que los valores P(E) para
al matemático británico Sydney Chapman desarrollaron las cualquier E en A , cumplen con los siguientes tres axiomas, llamados
ecuaciones de Chapman-Kolmogórov de las cadenas de axiomas de Kolmogórov, para familias finitas:
Márkov. En 1933 publicó el libro Los fundamentos de la Axioma 1. Para cualquier evento E, de A, se cumple P(E) ≥ 0.
teoría de la probabilidad, en el que establece las bases de Axioma 2. Para el espacio muestral S, P(S) = 1.
una teoría axiomática de la probabilidad; gracias a este Axioma 3. Para cualquier sucesión infinita (o finita) de eventos mutua-
trabajo adquiere una gran reputación y popularidad entre los mente excluyentes, de A, E1, E2, E3, … , se cumple
matemáticos que investigaban sobre la probabilidad.
∞  ∞
P  ∪ E k  =+
 k =1 
P ( E 1 ) P ( E 2 )+ =∑
k =1
P ( E k ).
• A la terna (S, A, P ) se le suele llamar espacio probabilístico. Hechas las aclaraciones anteriores y basándonos en los axiomas 1, 2 y
• Note que en la definición de probabilidad axiomática no se 3 o los casos particulares del axioma 3, podemos formular los teoremas
menciona el método de obtención de la probabilidad, es
necesarios para desarrollar una teoría axiomática de la probabilidad.
decir, al número P(E ) para cualquier evento E en A, se le
puede asignar un valor numérico de probabilidad según
alguna de las interpretaciones de probabilidad conocidas. Teorema 1.1
Por tanto, llamaremos a P(E ) la probabilidad del Sea ∅ el evento vacío, entonces P(∅) = 0.
evento E, si para cualquier evento E en A, cumple con Demostración
los axiomas de Kolmogórov.
• En particular, la asignación de probabilidades según las • Sea el espacio muestral S, por la ley de identidad S = S ∪ ∅. Como S y
corrientes de probabilidad mencionadas cumplen con los ∅ son mutuamente excluyentes, en virtud del axioma 3, se deduce que
axiomas de Kolmogórov. P ( S ) = P ( S ∪∅) = P ( S ) + P (∅), restando la probabilidad de S en ambos
• El axioma 3 generalmente en los textos metodológicos se
lados de la igualdad, resulta que P(∅) = 0.
formula para dos eventos A y B mutuamente excluyente,
quedando P ( A ∪ B ) = P ( A ) + P ( B ) . En el caso de n
Teorema 1.2
eventos E1, E2, E3, … , En mutuamente excluyentes, el
axioma está dado por: Para cualquier evento E, P ( E c ) =−
1 P ( E ).
n  n Demostración
P (E 1) P (E 2 ) + + P (E n ) = ∑ P (E k ).
P  ∪ E k  =+
k =1 
• Sea el espacio muestral S, y E un evento en S. Por la ley del complemento,
k =1
tenemos que S = E ∪ E c, por el axioma 2 se cumple 1 ==∪ P ( S ) P ( E E c ).

c
Por otro lado, E y E son mutuamente excluyentes, de esta manera empleando el axioma 3 tendremos:
P( S ) P ( E E c ) = P( E )+ P ( E c )
1 ==∪
pasando P(E) al otro lado de la igualdad se obtiene P ( E c ) =−
1 P ( E ).
Teorema 1.3
Para cualquier evento E, 0 ≤ P(E ) ≤ 1.
Demostración
• Sea S el espacio muestral y E un evento en S, del axioma 1 tenemos que P(E) ≥ 0 y P(E c) ≥ 0. Por el teorema 1.2, P(E c) =
1 - P(E ), de donde se deduce que P(E ) = 1 - P(E c) ≤ 1. Por tanto, 0 ≤ P(E ) ≤ 1.
Teorema 1.4
Si A y B son eventos de un mismo espacio muestral, tales que A ⊂ B, entonces
P(A) ≤ P(B).

Demostración
• De las condiciones del teorema tenemos que A ⊂ B, por tanto, B se puede representar como B =° A ( B − A), en donde A y
B - A son mutuamente excluyentes. Del axioma 3, tenemos P ( B ) = P ( A ∪ ( B − A)) = P ( A) + P ( B − A). Por el axioma 1
P ( B − A) ° 0, entonces se cumple
P ( B ) =+
P ( A) P ( B − A) ≥ P ( A), de donde P ( A) ≤ P ( B ).
Teorema 1.5
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que:
P ( A ∪ B ) = P ( A) + P ( B )− P ( A ∩ B ).
Demostración
• Empleando las leyes del álgebra, tenemos que:
A ∪ B = ( A ∪ B ) ∩ S ley de identidad,
= ( A ∪ B ) ∩( A ∪ A c ) ley del complemento,
= A ∪( B ∩ A c ) ley distributiva.
Además A y B ∩ Ac, son mutuamente excluyentes, entonces
(
P ( A ∪ B ) = P A ∪( B ∩ A c ) =+ )
P ( A) P ( B ∩ A c ) (1)
De manera similar, se tiene que B = ( A ∩ B ) ∪( B ∩ A ), donde A ∩ B y B ∩ A son mutuamente excluyentes. Por tanto:
c c
( )
P ( B ) = P ( A ∩ B ) ∪( B ∩ A c ) = P ( A ∩ B ) + P ( B ∩ A c )
Despejando P ( B ∩ A ), resulta P ( B ∩ A ) = P ( B )− P ( A ∩ B ) y sustituyendo en la igualdad (1), se obtiene:
c c
P ( A ∪ B ) = P ( A) + P ( B ) − P ( A ∩ B )
El siguiente teorema muestra la generalización del teorema 1.5.
Teorema 1.6
Para k eventos cualesquiera A1, A2, … , Ak , de un mismo espacio muestral, se cumple que:
k k k
∑ P( Ai )− ∑ P( Ai ∩ A j )+
P ( A1 ° A2° ° Ak )=
i=<
1 i j=<
2 i j<r =3
∑ P ( Ai ∩ A j ∩ Ar )
++ (−1) k−1 P ( A1 ∩ A2 ∩∩ Ak )
Teorema 1.7
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que
P( A− B ) =P ( A)− P ( A ∩ B ).
Demostración
• Del ejercicio 4a de los ejercicios 1.3, A − B =A ∩ B c . Por otro lado, A =°
( A B c ) ∪( A ∩ B ) pero A ∩ B c y A ∩ B son mutuamente
excluyentes, entonces del axioma 3
P ( A) =°
P ( A B c ) + P ( A ° B ), de donde P ( A − B ) =P ( A)− P ( A ∩ B ).
La formulación y demostración de los teoremas del 1.1 al 1.7 fue fundamental para iniciar la construcción de una teoría de las proba-
bilidades que será utilizada en la parte estadística del texto. Para una mejor comprensión de los teoremas se han diseñado algunos
ejemplos que se muestran a continuación.
Ejemplos 1.23 Teoremas

1. Sean los eventos A y B, correspondientes a un mismo espacio muestral, tales que: P ( A c ) = 0.6 , P ( B c ) = 0.7 y P ( A ∩ B ) = 0.2.
Calcule: P(A ∪ B).

Solución
Empleando el teorema 1.2, tenemos que
1 P ( A c ) =−
P ( A) =− 1 0.6 = 0.4 y
1 P ( B c ) =−
P ( B ) =− 1 0.7 = 0.3 .
Finalmente, del teorema 1.5 resulta que
P ( A ∪ B ) = P ( A) + P ( B )− P ( A ∩ B ) = 0.4 + 0.3 − 0.2 = 0.5 .

2. Sean los eventos A y B correspondientes a un mismo espacio muestral, tales que: P (( A ∪ B )c ) = 0.2, P ( A c ) = 0.2 y P( A ∩ B ) = 0.2,
calcule P(A) y P(B).
Solución
Empleando el teorema 1.2 tenemos
1 P ( A c ) =−
P ( A) =− 1 0.2 = 0.8 .
Similarmente,
P ( A ∪ B ) = 1− P (( A ∪ B )c ) =−
1 0.2 = 0.8 .
Finalmente, del teorema 1.5 resulta
P ( A ∪ B ) = P ( A) + P ( B )− P ( A ∩ B ).
Despejando P(B)
P ( B ) =°
P ( A B )− P ( A) + P ( A ∩ B ) = 0.8 − 0.8 + 0.2 = 0.2.
3. Sean los eventos A y B, correspondientes a un mismo espacio muestral, tales que P ( A c ) = 0.4 , P ( B ) = 0.5 y P ( A ∪ B ) = 0.7.
Calcule P(A - B) y P(Ac - B c ).
Solución
Del teorema 1.2, P ( A) =−1 P ( A c ) =−1 0.4 = 0.6, y del teorema 1.5 despejando la probabilidad de la intersección P(A ∩ B ) =
P ( A ∩ B ) = P ( A) + P ( B )− P ( A ∪ B ) = 0.6 + 0.5 − 0.7 = 0.4, del teorema 1.7, tenemos
P( A− B ) =P ( A)− P ( A ∩ B ) =−
0.6 0.4 =
0.2 .
De igual manera, para calcular la probabilidad P ( A c − B c ) recurrimos al teorema 1.7
P( Ac − B c )=
P ( A c )− P ( A c ∩ B c ) aplicando la ley de De Morgan,
P ( A c ) P (( A ∪ B )c ) con los complementos,
=−
=−0.4 0.3
= 0.1.
Una de las dificultades de utilizar álgebra de eventos, axiomas de Kolmogórov y teoremas demostrados
es que se deben memorizar sus resultados para poder emplear estas. En lugar de seguir este S AC
camino, mostraremos que combinando las leyes del álgebra, los teoremas del 1.1 al 1.7 y los
diagramas de Venn-Euler, la solución para este tipo de problemas se simplifica en gran medida. Por
ejemplo, podemos calcular con facilidad las dos probabilidades anteriores si trazamos el diagrama A B
de probabilidades de Venn-Euler.
El diagrama de probabilidades de Venn-Euler se obtiene al agregar las probabilidades a los 0.2 0.4 0.1
sectores del diagrama que resultan de las condiciones del problema. Por ejemplo, en el problema
anterior calculamos:
0.3
1 P ( A c ) =−
P ( A ) =− 1 0.4 = 0.6 y P ( A ∩ B ) = P ( A ) + P ( B ) − P ( A ∪ B ) = 0.6 + 0.5 − 0.7 = 0.4 .
Entonces, el diagrama de Venn-Euler de probabilidades para calcular P ( A − B ) y P ( A c − B c ) Figura 1.9 Diagrama de Venn-Euler de
está dado en la figura 1.9. probabilidades para el ejemplo 1.23 inciso 3.

Explicación
La probabilidad de la intersección resultó P ( A ∩ B ) = 0.4; como P ( B ) = 0.5, entonces la parte de B que no pertenece a la intersección vale 0.1. De
manera similar, del valor P ( A ) = 0.6 podemos concluir que la probabilidad para la parte de A, que no está en la intersección, debe ser 0.2. Por último,
la probabilidad para el complemento de la unión vale 0.3. De aquí se pueden calcular las probabilidades deseadas mediante los diagramas de Venn-Euler.
Enseguida, dibujamos el diagrama de Venn-Euler para P ( A − B ) y P ( A c − B c ), obteniendo los diagramas de la figura 1.10.
S A–B S AC – BC
A B A B
0.2 0.4 0.1 0.2 0.4 0.1
0.3 0.3
Figura 1.10 Representación general de la diferencia A - B y A c - B c.
Al observar el diagrama de la figura 1.10, la parte sombreada corresponde a P ( A − B ) =0.2 y P ( A c − B c ) =

0.1 , cuyos resultados coinciden con los
encontrados a través de los teoremas.
4. Un juego consiste en extraer de manera aleatoria dos pelotas al mismo tiempo de una urna que contiene cinco pelotas numera-
das de 1 a 5, de igual forma y tamaño. La persona gana si las dos pelotas extraídas tienen número par, en otro caso la persona
pierde. Calcule la probabilidad de que la persona gane.
Solución
En este ejemplo el experimento consiste en extraer dos pelotas aleatoriamente de un total de cinco, numeradas del 1 al 5.
Definido el experimento el espacio muestral, en este caso lo podemos numerar, resulta:
{1 2, 1− 3, 1− 4, 1− 5, 2 − 3, 2 − 4, 2 − 5, 3 − 4, 3 − 5, 4 − 5}
S =−
En donde la pareja i - j, representa a la extracción de las pelotas i con la j, con i ≠ j e i, j desde 1 hasta 5. El evento E lo definimos,
como: “las dos pelotas extraídas tienen número par”. Así,
{2 4 }.
E =−
Por tanto, del espacio muestral encontrado, y considerando a los puntos muestrales equiprobables (¡explique esto último!), tene-
mos que la probabilidad del evento E estará dada por:
1
P ( E ) == 0.10.
10
5. Un experimento consiste en lanzar un dado no cargado una vez y, si sale un número impar entonces se lanza una moneda no
cargada. Si el lanzamiento del dado resulta par, entonces se lanza el dado por última vez.
a) Describa el espacio muestral para este experimento.
b) Asigne probabilidades a los puntos muestrales de acuerdo con las condiciones del experimento. ¿Son equiprobables los pun-
tos muestrales?
• La descripción del espacio muestral es sencilla, simbolizando los resultados del dado por 1, 2, 3, 4, 5 y 6; mientras que los de
la moneda por s para sol y a en el caso de águila, resultando
S = {(1, s ),(1, a ),(2, 1),(2, 2),(2, 3),(2, 4),(2, 5),(2, 6)
(3, s ),(3, a ),(4, 1),(4, 2),(4, 3),(4, 4),(4, 5),(4, 6)
(5, s ),(5, a ),(6, 1),(6, 2),(6, 3),(6, 4),(6, 5),(6, 6)} .
Es decir, el espacio muestral tiene 24 elementos.
• Para la asignación de probabilidades en este momento se dificulta en forma considerable, esto se debe a que no tenemos las
herramientas necesarias para tal efecto (en el capítulo tres regresaremos al problema y, como veremos, el cálculo de sus
probabilidades es demasiado sencillo, si se resuelve por medio de eventos independientes). Primero, notamos que los puntos
que están en A:

A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}
.
Dichos puntos deben tener la misma probabilidad de ocurrir, puesto que todos se obtienen lanzando el dado dos veces.
Similarmente, los puntos que pertenecen a B deben tener la misma probabilidad de ocurrir (primero se lanza el dado una vez y
después la moneda):
B = {(1, s ), (1, a ), (3, s ), (3, a ), (5, s ), (5, a )}.
Observamos que en los dos casos de puntos muestrales A y B una pareja cualesquiera, considerando un punto por evento,
por ejemplo (2, 1) ∈ A y (1, s ) ∈ B , no han de tener la misma probabilidad de ocurrir, puesto que la probabilidad de que al lanzar
1
el dado resulte 1 es igual a que resulte 2, y son iguales a ; mientras que la probabilidad de que al lanzar la moneda resulte sol, la
6
podemos considerar como 0.5. Es decir:

 1  1

 probabilidad de 2: probabilidad de 1:
 6  6
Para la pareja (2, 1): ° ; para la pareja (1, s): ° .

 1  1
 probabilidad de 1: probabilidad de s:


 6  2
Hasta ahora se ha descompuesto al espacio muestral S en dos eventos A y B, mutuamente excluyentes y se ha demostrado que
los puntos muestrales de S no son equiprobables, pero ¡aún no hemos asignado probabilidades a los puntos muestrales!
Asignación de probabilidades para los puntos

de las parejas de A
Si consideramos un espacio muestral S *, que contenga a los puntos muestrales que correspondan al experimento de lanzar un dado
dos veces, vemos que:
SS ** = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)} .
En este caso A ⊂ S *, y como todos los puntos de este espacio muestral tienen la misma probabilidad de ocurrir, puesto que se
obtienen de forma semejante (lanzando el dado dos veces) y la cantidad de puntos muestrales es 36, tenemos que la probabilidad de
1 18 1
cualquier punto del evento A es . Por tanto, de la definición clásica de probabilidad resulta: P ( A) == .
36 36 2
Asignación de probabilidades para los puntos

de las parejas de B
Como los eventos A y B son mutuamente excluyentes, por los axiomas 2 y 3 de Kolmogórov:
1 ==
P ( S ) P ( A ° B )=P ( A) + P ( B ) =
0.5 + P ( B ).
1
Despejando la probabilidad del evento B, resulta: P ( B ) = .
2
Como ya se mencionó, los puntos B = {(1, s ), (1, a ), (3, s ), (3, a ), (5, s ), (5, a )} deben tener la misma probabilidad de ocurrir.
Luego, simbolizando el evento simple E k = {( k , x )} , para k = 1, 3, 5 y x = s, a, ahora con la definición clásica de probabilidad se tiene
1
P ( B ) ==
6 P( E k ) , despejando P(Ek):
2
1
P ( E k ) = , para k = 1, 3, 5 y x = s, a.
12
Con esto se concluye que los puntos muestrales de S no son equiprobables.

Ejercicios 1.4
1. Sean A y B dos eventos, en un mismo espacio muestral, tales 7. Un aparato electrónico contiene cinco sistemas electróni-
que P ( A) = 0.3, P ( B ) = 0.3 y P ( A ∪ B ) = 0.4. Calcule: cos, de los cuales dos son realmente defectuosos. Se selec-
a) P ( A ∩ B ) b) P ( A c ∪ B c ) cionan al azar y al mismo tiempo dos de los cinco sistemas
2. Sean A y B dos eventos, en un mismo espacio muestral, tales para someterlos a pruebas rigurosas y clasificarlos como de
que P ( A ∪ B ) = 0.9. Calcule P ( A ∩ B ).
c c fectuosos o no defectuosos. Encuentre el espacio muestral y
3. Sean los eventos A y B, en un mismo espacio muestral, tales los eventos en cada caso si la probabilidad de que los dos
que P ( A) = 0.5, P ( B ) = 0.7 y P ( A ∩ B ) = 0.4. Calcule: sistemas probados sean buenos
a) P ( A ∩ B ) b) P ( A − B ). a) Si no hay diferencia entre buenos, ni entre defectuosos
c c

4. Sean A y B dos eventos mutuamente excluyentes tales que (son indistinguibles entre sí).
b) Si existen diferencias entre buenos y entre defectuosos
P ( A) = 0.3 y P ( B ) = 0.6. Calcule P ( A ∩ B ).
c c
(son distinguibles entre sí).
5. Sean A y B dos eventos mutuamente excluyentes tales que
8. Resuelva el ejercicio anterior cuando la selección se realiza
P ( A) = 0.4. Calcule P ( A c ∪ B ).
analizando o seleccionando un sistema tras otro. Comente
6. Suponga que se lanzan tres monedas perfectas y se observa
los resultados obtenidos en ambos casos.
la cantidad de águilas que quedan hacia arriba. Establezca
9. Sean los eventos A, B y C en un mismo espacio mues
los puntos muestrales de este experimento y
tral, tales que A y B son mutuamente excluyentes, con
a) Asigne una probabilidad razonable a cada punto. ¿Son
P ( A ∪ B ∪ C )  = 0.1, P ( A ∩ C ) = 0.2, P ( B ∩ C ) = 0.1 y P(C)
c
los puntos igualmente probables?  
b) Sea A el evento de observar exactamente una vez águila y P (C ) = 0.4. Calcule: P ( A ∪ B ). Sugerencia: Trace un diagrama
B el evento de observar al menos un águila. Obtenga los de Venn-Euler.
puntos muestrales de A y B y calcule P ( A c ∩ B ).
Ejercicios de repaso
Preguntas de autoevaluación b) A ∪ B ⊂ A y A ∪ B ⊂ B
c) A - B ⊂ A
1.1 Explique qué es un modelo matemático. d ) A - B ⊂ B
1.2 ¿Cómo se le llama al proceso por el que se describen los e) A ⊂ A - B
resultados de un modelo probabilístico? f ) Ac ∩ A = S
1.3 ¿Cómo se le llama al conjunto de todos los resultados po- 1.12 Defina una partición del espacio muestral.
sibles de un experimento estocástico? 1.13 Escriba las leyes de De Morgan de álgebra de eventos.
1.4 ¿Cómo se le llama al conjunto que representa a una parte 1.14 Describa los tres axiomas de Kolmogórov para álgebra
de todos los resultados posibles (pueden ser todos los re- finita.
sultados o ninguno) de un experimento estocástico? 1.15 Sean A y B dos eventos cualesquiera de un mismo espa-
1.5 ¿Cuáles son las corrientes de probabilidad más comunes? cio muestral. Determine qué incisos son correctos.
1.6 Si una persona asigna probabilidades a eventos depen- a) P ( A ∩ B ) = P ( A)
diendo de su experiencia para realizar una toma de b) P ( A ∩ B ) ≥ P ( A)
decisión, estaría empleando la corriente de probabilidad c) P ( A ∩ B ) ≤ P ( A)
llamada ____________________. d) P ( A c ) =− P ( A) 1
1.7 Cuando la probabilidad de ocurrencia de un evento se e) P ( A) =− 1 P( A c )
asigna antes que se realice el experimento se le llama pro- 1.16 Responda la siguiente cuestión y justifique su respuesta:
babilidad de tipo ____________________. ¿si el evento E está constituido de solo elementos negati-
1.8 Explique cuándo dos eventos son mutuamente exclu- vos, entonces su probabilidad tendrá que ser negativa?
yentes. 1.17 ¿Qué evento es un subevento de cualquier otro evento?
1.9 Enumere las operaciones fundamentales entre eventos. 1.18 A ∪ B = ∅, solo puede ocurrir si A y B son ___________.
1.10 El resultado de operaciones entre eventos siempre debe 1.19 A ∩ B = ∅ solo puede ocurrir si:
resultar otro ____________________. 1.20 Si A y B son dos eventos mutuamente excluyentes, ¿qué
1.11 Sean A y B dos eventos cualesquiera de un mismo espa- incisos son correctos?
cio muestral. Determinar qué incisos son correctos. a) Ac y B también son mutuamente excluyentes.
a) A ∩ B ⊂ A y A ∩ B ⊂ B b) Ac y B c también son mutuamente excluyentes.

Ejercicios de repaso 27
c) P ( A ∪ B ) = P ( A) + P ( B ) . a) P ( A c ∩ B c ) b) P ( A c − B ) .
d ) P ( A ∩ B ) = P ( A)− P ( B ) . 1.28 Sean A y B dos eventos mutuamente excluyentes tales
e) B es un subconjunto de Ac.
que P(A) = x y P(B) = y, con 0 < x + y < 1 y x, y > 0.
f ) P ( A − B ) = 0.
g) P ( A − B ) = P ( A) . ( c
Calcule P ( A ∩ B ) . )
1.21 En términos generales, el cálculo de probabilidades es 1.29 Sean los eventos A y B, mutuamente excluyentes, con
equivalente a: P(Ac) = 0.6 y P(Bc) = 0.7. Calcule P(A ∪ B).
a) Predecir el futuro. 1.30 Sean los eventos A y B, en un mismo espacio muestral,
b) Encontrar valores numéricos que permitan cuantifi- tales que P(A ∪ B) = 0.4. Calcule P(Ac ∩ B c).
car la incertidumbre. 1.31 Sean A y B dos eventos, en un mismo espacio muestral,
c) Establecer relaciones causa-efecto para fenómenos tales que P(A) = 0.7, P(A ∪ B) = 0.9 y P(B) = 0.6. Calcu-
naturales o experimentales. le P(Ac ∪ B).
d) Ninguna de las anteriores. 1.32 Sean los eventos A y B, en un mismo espacio muestral,
1.22 Indique si las siguientes afirmaciones son verdaderas o tales que P(A) = 0.7, P(B c) = 0.6 y P(A ∪ B) = 0.9. Cal-
falsas y explique su respuesta. cule:
a) El evento A = [ 0,1] es un ejemplo de un evento infi- a) P(Ac ∩ B) b) P(Ac ∩ B c)
nito contable, porque contiene un primer y último 1.33 ¿Qué corriente de probabilidad será conveniente em-
elemento. plear para la asignación de un valor numérico al suceso
b) El evento A = {1, 2, 3, …} es un ejemplo de un even- de que Miguel Pérez se case este año?
to infinito, por tanto no es contable, además pode- 1.34 El administrador de la logística de la red de distribución
mos agregar que no es contable; porque no contiene de una línea de autobuses tiene que tomar la decisión de
un último elemento. cómo distribuir dos de cinco autobuses que viajen a
1.23 En la formulación de las siguientes preguntas existe un Guadalajara. Represente por a1, a2, a3, a4 y a5 a los cinco
error, indique cuál es. autobuses y contesta lo siguiente.
Nota: ¡No se pide resolver el problema! a) Describa al espacio muestral del experimento al se-
a) Sean A y B dos eventos mutuamente excluyentes leccionar dos autobuses para viajar a Guadalajara.
con: P(A) = 0.5, P(Bc) = 0.6 y P(A ∩ B) = 0.1. Calcu- b) Serán los puntos muéstrales equiprobables. Justifi-
le P(A ∪ B). que su respuesta.
b) Sean A y B dos eventos que forman una partición 1.35 Suponga que se lanzan dos dados. Calcule la probabilidad
del espacio muestral, con: P(A) = 0.5 y P(B) = 0.3. de que la suma de los números de las caras que quedan
Calcule P(A ∪ B). hacia arriba sea 7.
c) Sean A, B y C eventos que forman una partición del 1.36 Suponga que se lanzan tres monedas no cargadas y que
espacio muestral S, con: P(A) = 0.4, P(B) = 0.6 y se observa la cantidad de águilas que quedan hacia arri-
P(C) = 0.3. Calcule P(A ∪ B ∪ C). ba. Establezca los puntos muestrales de este experimen-
d ) ¿Si A y B son dos eventos mutuamente excluyentes, to y asigne una probabilidad razonable a cada punto. Sea
entonces en general P ( A ∩ B ) = P ( A) P ( B )? A el evento de observar exactamente un águila y B el
evento de observar al menos un águila. Calcule P(A ∩ B).
Ejercicios complementarios con grado 1.37 Sean los eventos A = { x | x es un profesionista de Méxi-
de dificultad uno co y es administrador} y B = { x | x es un profesionista
de México y sabe finanzas}; el espacio muestral se refiere
1.24 Dado el espacio muestral S = {0, 1, … , 20}, los eventos a todos los profesionistas de México, según datos del
A = {2, 4, 5, 6, 7, 8, 9, 11, 12, 13, 15}, B = {0, 2, 4, … , 20} censo de 2005, 10% de los profesionistas mexicanos son
y C = {2, 3, 5, 7, 11}, encuentre: administradores; 30% de los profesionistas mexicanos sa
b) ( A c ∩ B ) ∪ C
c
a) A c ∩ B c ben finanzas, pero solo 7% de los profesionistas son ad-
1.25 Si A es el evento formado por las vocales, indique cuál de ministradores y saben finanzas.
las siguientes familias representa una partición de A. a) ¿Son los eventos A y B mutuamente excluyentes? Jus-
tifique su respuesta.
a) {{a , e }, {i , o}, u} c) {a , {e , i , o, u}}
b) Calcule la probabilidad de que al seleccionar aleato-
b) {{a , e }, {i , o},{u}} d) {a , e , i , {o, u}} riamente a un profesionista mexicano sea adminis-
1.26 Suponga que se lanzan cinco monedas no cargadas y ob- trador o conozca de finanzas.
servamos la cantidad de águilas que quedan hacia arriba. c) Calcule la probabilidad de que al seleccionar aleato-
Establezca los elementos del espacio muestral de este ex- riamente a un profesionista mexicano no sea admi-
perimento. nistrador, pero que sí conozca de finanzas.
1.27 Sean A y B eventos mutuamente excluyentes, tales que 1.38 Dos ajedrecistas, I y II, tienen la misma capacidad y jue-
P ( A) = 0.3, P ( B c ) = 0.6. Calcule: gan el uno contra el otro una serie de 5 partidas. En cada

partida, no podrá haber tablas, ya que en caso contrario, 1.45 Suponga que se lanzan dos monedas cargadas de for-
se jugarán a cinco minutos, hasta obtener un ganador de ma contraria, es decir, considérese que la probabilidad de
la partida. Se registra el resultado de cada partida. Sea A que resulte águila en una moneda es 0.3, en dicho caso la
el evento de que el ajedrecista I gane la serie (gane al me- probabilidad de que resulte sol en la otra moneda será
nos tres veces, en caso de que gane tres partidas la serie también 0.3. Observe las combinaciones de todos los re-
se termina), encuentre P(A). sultados posibles que pueden ocurrir con las dos mo
nedas.
Ejercicios complementarios con grado a) Establezca los puntos muestrales de este experimento.
de dificultad dos b) Asigne una probabilidad razonable a cada punto.
¿Son los puntos igualmente probables?
1.39 Los eventos A, B y C del espacio muestral S, son tales que
1.46 Suponga que se lanzan dos monedas cargadas de forma
A y B forman una partición de C, P(C ) = 0.2 y P(C) =
c
contraria es decir, considérese que la probabilidad de que
4P(A). Calcule P(A), P(B) y P(C ).
resulte águila en una moneda es 0.3; en dicho caso la pro-
1.40 Si A y B son eventos diferentes definidos en el mismo es-
babilidad de que resulte sol en la otra moneda será tam-
pacio muestral, y si P(A ∩ B) = 0.4 y P(A ∩ B ) = 0.1
c c
bién 0.3. Observe la cantidad de águilas que quedan
Determine P ( A ∩ B c )∪( A c ∩ B ) . hacia arriba.
 
1.41 Sean los eventos A, B y C en un mismo espacio mues- a) Establezca los puntos muestrales de este experimento.
tral, tales que A y B son mutuamente excluyentes, con b) Asigne una probabilidad razonable a cada punto. ¿Son
 c
P ( A ∪ B ∪ C )  = 0.1, P ( A ∩ C ) = 0.2, P ( B ∩ C ) = 0.1, los puntos igualmente probables?
  c) Sea A el evento de observar exactamente una vez
P(C) = 0.6, calcule: P(A) y P(B) si águila y B el evento de observar al menos un águila.
a) P(A) = P(B). Obtenga los puntos muestrales de A y B.
b) P(A) = 2P(B). d) A partir de la respuesta en c), calcule P(A), P(B),
c) 2P(A) = P(B). P(A ∩ B) y P(Ac ∩ B).
1.42 Los eventos A, B y C del espacio muestral S, son tales que 1.47 Una constructora que trabaja para Casas ARPA ha calcu-
A y B son mutuamente excluyentes, P(A) + P(B) = 1, lado con datos históricos que cuando inicia dos casas al
P(C) = 0.3, P(A ∩ C) = 0.1 y P(B) = 4P(A). Calcule P(A) mismo tiempo, la probabilidad de que termine a tiempo
y P(B). ambas casas es 0.3, mientras que la probabilidad de que
1.43 Un experimento consiste en lanzar un dado no cargado termine a tiempo al menos una de las dos casas es de
una vez y, si sale un número mayor a 2 entonces se lan- 0.95. ¿Cuál es la probabilidad de que en estas condicio-
za una moneda no cargada. Si el lanzamiento del dado es nes construya a tiempo exactamente una casa?
un número menor o igual a 2, entonces se lanza por últi- 1.48 El encargado de llevar a cabo la logística de la red de dis-
ma vez el dado. Asigne probabilidades a los puntos mues tribución de una empresa repartidora de refrescos en la
trales e indique, si son o no equiprobables. Ciudad de México ha calculado que la probabilidad de
1.44 Hay cuatro billetes de 200 pesos cada uno, de igual aspec retrasos en su reparto de los días viernes y sábado tiene
to, dos de los cuales son falsos, y se va a pagar una cuenta los siguientes valores. La probabilidad de retrasarse exac-
con dos de esos billetes. La cuenta la cobra el encargado, tamente un día es de 0.3, mientras que la probabilidad de
eligiendo al mismo tiempo dos de los cuatro billetes al retrasarse al menos uno de los dos días es de 0.7. ¿Cuál es
azar. Encuentre la probabilidad de que el encargado elija la probabilidad de que en la siguiente semana se retrasen
al menos uno de los billetes falsos. en ambos días?
1.49 Supóngase el problema anterior, pero en donde un repartidor que trabaja de lunes a viernes tiene dos causas por las que
puede retrasar sus repartos. Una es por el día y tráfico de la semana, La otra causa se debe a manifestaciones que le ocasio-
nan retrasos de hasta una hora, entre una y dos horas y entre dos y tres horas. Las probabilidades se muestran en la tabla 1.2.
Tabla 1.2
Día de la semana
Manifestaciones Lunes Martes Miércoles Jueves Viernes
0-1 hora 0.04 0.05 0.10 0.10 0.20
1-2 horas 0.02 0.03 0.08 0.10 0.10
2-3 horas 0.00 0.01 0.05 0.08 0.04
a) ¿Cuál es probabilidad de que el trabajador se retrase una hora el miércoles?

b) ¿Cuál es la probabilidad de que el trabajador se retrase al menos una hora cada día?
c) ¿Cuál es la probabilidad de que el trabajador se retrase menos de una hora los primeros tres días de la semana?

Proyectos del capítulo 1 29
1.50 El ingeniero de control de calidad de una fábrica de refri- 1.54 Sean A y B dos eventos tales que P(A) = 0.35 y P(B)
geradores tiene que revisar tres de seis refrigeradores en = 0.85, determine el rango de valores que puede tomar
donde hay dos defectuosos. P(A ∩ B) y las condiciones para sus valores máximos y
a) ¿Cuál es la probabilidad de que en los tres revisados mínimos.
estén los dos defectuosos? 1.55 Los eventos A, B y C del espacio muestral S, son tales
b) ¿Cuál es la probabilidad de que entre los tres revisa- que: A y B son mutuamente excluyentes P(B) = 0.4,
dos no exista ningún defectuoso? P °( A ∪ B ∪ C )c  = 0.1 , P(A ∩ C) = 0.1 y P(A) = 3P(C).
Calcule P(A) y P(C).
Ejercicios complementarios con grado 1.56 Demuestre que para cualquiera de dos eventos A y B, la
de dificultad tres probabilidad que exactamente uno de los dos ocurra está
dada por la expresión P ( A) + P ( B )− 2 P ( A ∩ B ).
1.51 Sean los eventos A, B y C, tales que, S =° A B° C, 1.57 Sean A y B dos eventos, demuestre que Ac ∩ B y A ∩ B c
 c
P ( A ∩ B ∩ C )  = 0.9 , P(C) = 0.6, P(A ∩ B) = 0.15, son mutuamente excluyentes.
 
P(A ∩ C) = 0.2, P(B ∩ C) = 0.1, y P(A) = 2P(B). Calcule 1.58 Para cualesquier eventos A1, A2, …, An, demuestre que
P(A) y P(B). °n  n
a) P ∪ Ai  ≤ ∑ P ( Ai )
1.52 Los eventos A, B y C forman una partición del espa-  i==
1  i 1
cio muestral S. En estas condiciones asigne subjetiva- °n  n
mente probabilidades adecuadas a los eventos y calcule b) P ∩ Ai  ≥ ∑ P ( Ai )−( n −1)
 i==  i 1
P ( A ∪ C )−( A c − B c ) . 1
1.53 Sean los eventos A, B y C correspondientes a un mismo ° n  n

c) P ∩ Ai  ≥ 1− ∑ P ( Aic ) .
espacio muestral, tales que B y C son mutuamente exclu-  i==1
 i 1
yentes y A y B también son mutuamente excluyentes: n  n 
P(A ∩ C) = 0.2, P °( A ∪ B ∪ C )c  = 0.2 y P(A) = P(B) = 1 P  Aic  .
d) P ∩ Ai  =−
° i==
1
 ° i 1 
2P(C). Calcule P(A), P(B) y P(C).
Proyectos del capítulo 1

I. En un circuito serie como el mostrado en la figura 1.1 se mide la caída de voltaje en la resistencia con un voltímetro de alta pre-
cisión, durante intervalos de tres minutos, obteniendo las mediciones siguientes en volts.
119.95 119.98 120.37 119.50 119.74 118.03 120.04 119.37 121.07 120.08
120.54 119.89 119.49 118.99 120.99 119.57 121.68 118.35 120.17 118.84
118.38 119.21 118.98 120.65 119.27 118.51 121.22 118.95 120.29 120.72
119.46 119.69 120.92 120.73 119.96 118.41 120.14 120.65 120.31 120.44
121.25 119.47 121.09 119.74 121.95 120.17 120.40 120.60 119.13 119.26
121.33 120.58 120.27 121.38 120.80 118.84 120.45 120.31 120.48 119.05
Resuelva los siguientes incisos.
a)
¿Cuál es la probabilidad de que la caída de voltaje en la resistencia sea mayor a 120.15 volts?
b) ¿Cuál es la probabilidad de que la caída de voltaje en la resistencia esté fuera de los rangos especificados 120 ± 0.25 para el
circuito? Defina cuál sería el espacio muestral en este modelo.
c)
¿Cuál será la probabilidad de que la caída de voltaje en la resistencia sea mayor a 122 volts? ¿Qué significa este resultado?
d)
Explique qué tipo de corriente utilizó en los incisos anteriores para asignar probabilidades y, ¿por qué no utilizó a las otras
corrientes de probabilidad?
II. En la hoja “Divorcios por entidad” del archivo Datos de divorcios.xls que se encuentra en el CD-ROM, está una base de datos
extraída del INEGI de todos los divorcios registrados en la República Mexicana para cada estado de 1985 a 2011. Con esta infor-
mación:

Probabilidad y Estadística: Aplicaciones A La Ingeniería y Las Ciencias

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Probabilidad y Estadística: Aplicaciones A La Ingeniería y Las Ciencias

Cargado por

Copyright:

Formatos disponibles

Probabilidad

00 Probabilidad Preliminares.indd 1 6/26/14 8:12 PM

Dirección editorial: Javier Enrique Callejas

Probabilidad y estadística. Aplicaciones a la ingeniería y las ciencias

Miembro de la Cámara Nacional de la Industrial Editorial Mexicana

Primera edición: 2014

00 Probabilidad Preliminares.indd 2 6/26/14 8:12 PM

Olga Vladimirovna Panteleeva

Eduardo Gutiérrez y Olga Vladimirovna

00 Probabilidad Preliminares.indd 3 6/26/14 8:12 PM

00 Probabilidad Preliminares.indd 4 6/26/14 8:12 PM

compuesta y compuesta contra compuesta, donde tratamos so- • Toma de decisiones

00 Probabilidad Preliminares.indd 5 6/26/14 8:12 PM

00 Probabilidad Preliminares.indd 6 6/26/14 8:12 PM

capítulo 1 Bases de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

capítulo 2 Técnicas de conteo y probabilidad. . . . . . . . . . . . . . . . . . . . . . . 31

00 Probabilidad Preliminares.indd 7 6/26/14 8:12 PM

capítulo 3 Probabilidad condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

capítulo 4 Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . 95

capítulo 5 Modelos discretos de probabilidad . . . . . . . . . . . . . . . . . . . . . . 123

00 Probabilidad Preliminares.indd 8 6/26/14 8:12 PM

5.2 Modelos de Bernoulli y binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . 126

5.5 Modelo hipergeométrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

capítulo 6 Variables aleatorias continuas. . . . . . . . . . . . . . . . . . . . . . . . . . 165

capítulo 7 Modelos continuos de probabilidad. . . . . . . . . . . . . . . . . . . . . . 189

00 Probabilidad Preliminares.indd 9 6/26/14 8:12 PM

Propiedades de la distribución normal estándar. . . . . . . . . . . . . . . . . . . . . . . . 205

capítulo 8 Variables aleatorias conjuntas y transformaciones. . . . . . . . . . . 241

00 Probabilidad Preliminares.indd 10 6/26/14 8:12 PM

8.5 Técnica de jacobianos para transformar variables aleatorias. . . . . . 273

capítulo 9 Estadística descriptiva para datos no agrupados. . . . . . . . . . . . 287

capítulo 10 Estadística descriptiva para datos agrupados . . . . . . . . . . . . . . 333

00 Probabilidad Preliminares.indd 11 6/26/14 8:12 PM

Distribución de frecuencias para variables cualitativas. . . . . . . . . . . . . . . . . . . 336

capítulo 11 Distribuciones muestrales y teorema central del límite . . . . . . . 377

00 Probabilidad Preliminares.indd 12 6/26/14 8:12 PM

Media y varianza de una diferencia de proporciones. . . . . . . . . . . . . . . . . . . 396

capítulo 12 Estimación puntual y por intervalos de confianza. . . . . . . . . . . . 423

00 Probabilidad Preliminares.indd 13 6/26/14 8:12 PM

Ejemplos variados para la estimación de la media . . . . . . . . . . . . . . . . . . . . . 445

capítulo 13 Metodología para pruebas de hipótesis sobre los parámetros

00 Probabilidad Preliminares.indd 14 6/26/14 8:12 PM

13.3 Pruebas de hipótesis para comparar dos poblaciones

capítulo 14 Regresión lineal simple y múltiple (véase en el CD-ROM)

00 Probabilidad Preliminares.indd 15 6/26/14 8:12 PM

01 Probabilidad C1.indd 1 6/26/14 3:21 PM

01 Probabilidad C1.indd 2 6/26/14 3:21 PM

1.1 Modelos determinísticos y probabilísticos

A continuación se presentan algunos ejemplos de modelos determinísticos.

Ejemplos 1.1 Modelos determinísticos

01 Probabilidad C1.indd 3 6/26/14 3:21 PM

Ejemplos 1.2 Modelos probabilísticos

01 Probabilidad C1.indd 4 6/26/14 3:21 PM

Ejemplos 1.3 Experimentos aleatorios

1. Lanzamiento de tres monedas hasta obtener dos águilas.

01 Probabilidad C1.indd 5 6/26/14 3:21 PM

Ejemplos 1.4 Experimentos determinísticos

Ejemplos 1.5 Espacios muestrales

01 Probabilidad C1.indd 6 6/26/14 3:21 PM

S = {{b, b}, {b, d }}.

Ejemplos 1.6 Eventos simples

Obtenga el evento indicado en los espacios muestrales de los ejemplos anteriores.

E = { ssa , sas , ass} .

8.5 Técnica de jacobianos para transformar variables aleatorias. . . . . . 273

1.1 Modelos determinísticos y probabilísticos