1.

Estadística Descriptiva
 Conceptos básicos. Variables
 Distribución de frecuencias para variables cualitativas y discretas. Diagrama de Barras y
Ojiva Discreta.
 Distribución de frecuencias para variables continúas. Gráficos, Histograma, Polígonos de
Frecuencias y Ojiva.
 Medidas de Tendencia central: Media aritmética, mediana, moda.
 Medidas de Posición: Cuartiles, Deciles y Percentiles.
 Medidas de Dispersión: Rango, Varianza, Desviación Estándar, Coeficiente de Variación.
 Propiedades de la media y la varianza
2. Probabilidad
 Teoría básica de conjuntos.
 Experimentos aleatorios y espacio muestral.
 Eventos, Probabilidad de un evento.
 Propiedades básicas de probabilidad.
 Probabilidad Condicional, Independencia.
 Teorema de Bayes.
3. Variables aleatorias y distribuciones de probabilidad
 Concepto de Variable Aleatoria.
 Distribuciones discretas de probabilidad.
 Distribuciones continúas de probabilidad.
4. Esperanza matemática
 Valor esperado de una variable aleatoria.
 Varianza de una variable aleatoria.
 Medias y varianzas de combinaciones lineales de variables aleatorias.
5. Algunas distribuciones discretas de probabilidad
 Distribución Uniforme Discreta.
 Distribución Binomial.
 Distribución Hipergeométrica
 Distribución de Poisson.
 1. Estadística Descriptiva

Conceptos Básicos:

 Estadística: se concibe como un conjunto sistemático de procedimientos para la

observación, el registro, organización, síntesis, análisis e interpretación de los fenómenos
y de las leyes que lo regulan para así poder predecir o concluir acerca de ellos. La
estadística se concibe de dos maneras:
 Estadística Descriptiva (Deductiva): consiste en la descripción, organización, síntesis y
análisis de la información de interés pero sin llegar a conclusiones fuertes o profundas
sobre la misma. Es la recolección y organización de la información para su examen
cuidadoso.
 Estadística Inferencia (Inductiva): busca obtener conclusiones sólidas y más profundas
que una simple descripción de la información. Se basa en el trabajo con muestras y su
posterior generalización de resultados para la toma de decisiones y conclusiones de mayor
peso.

Población y Muestra:

 Población: conjunto total de elementos que poseen una o más características comunes
posibles de observar y sobre las cuales se buscan conclusiones para poder tomar
decisiones.
 Muestra: Parte o subconjunto de la población.
 Parámetro: son las características de una población.
 Estadístico: características de una muestra.

Tipos de Variables:

Variable Estadística: es una medida informal de como la característica, atributo o medida que se
quiere conocer y estudiar. Existen dos tipos de variables:

 Variable Cualitativa: se entiende por diferentes formas de descripción, es una medida de

clasificación más no de medición.
 Variable Cuantitativa: se presta para diferentes formas de medición y usa para ello escalas
numéricas. Puede ser continua o puede ser discreta.
 Continua: una variable continua es aquella que puede tomar un número infinito de valores
entre dos valores cualquiera de una característica. Por ejemplo los números decimales.
 Discreta: es aquella que solo puede tomar un valor finito de valores entre dos valores
cualesquiera de una característica como por ejemplo los números enteros.

Escalas de Medición:

Las escalas de medición permiten la clasificación de las variables de acuerdo al patrón que siguen.
Existen cuatro escalas de medición, dos para las variables cualitativas y dos para las cuantitativas.

1. Escala Nominal: cuando utilizamos etiquetas o categorías para definir un atributo de un

elemento. Pueden ser numéricas o no numéricas y no tienen un criterio de orden.
2. Escala Ordinal: utiliza etiquetas o categorías pero se utilizan para dar un orden o una
jerarquía. Pueden ser numéricos o no y no utiliza una escala de medición.
 3. Escala de Intervalo: cuando los datos tienen un orden y utilizan una unidad de medida fija.
Esta unidad de medida nos permite obtener un intervalo entre las observaciones. No
existe un cero absoluto es decir el 0 es arbitrario.
4. Escala De Razón: cuando los datos tienen propiedades de intervalo y existe un cero
absoluto que permite considerar cocientes de mediciones.

Las escalas nominales y ordinales se utilizan para variables cualitativas.

Las escalas de intervalo y de razón se utilizan para variables cuantitativas.

Presentación de Variables Cualitativas

1. Tabla de Frecuencias.

La frecuencia es la cantidad de elementos.

Es una ordenación en forma de tabla de los datos estadísticos, asignando a cada dato su
frecuencia correspondiente.

Tipos de Frecuencias:

1. Frecuencia Absoluta: es el número de veces que aparece un valor determinado en un

estudio estadístico. Se representa por f i. La suma de las frecuencias absolutas debe ser
igual al número total de datos representado por N .
2. Frecuencia Relativa: es el cociente entre la frecuencia absoluta de un determinado valor y
el número total de datos. Se representa por hi y la suma de las frecuencias relativas
siempre debe ser igual a 1.
3. Frecuencia Acumulada: es la suma de las frecuencias absolutas de todos los valores
inferiores o iguales al valor considerado. Se representa por F i.
4. Frecuencia Relativa Acumulada: es el cociente entre la frecuencia acumulada de un
determinado valor y el total de datos. Se representa por H i.
2. Diagrama de Barras.

Se representan sobre un eje de coordenadas, sobre las abscisas (x) se colocan los valores de una
variable y sobre el eje de ordenadas (y) las frecuencias absolutas, relativas o acumuladas. Los
datos se representan mediante barras cuya altura es proporcional a la frecuencia.

3. Diagrama de Pastel.

Se puede utilizar para todo tipo de variables, aunque generalmente se utiliza para las cualitativas.
Los datos se representan dentro de un círculo de modo que el ángulo de cada sector es
360°
proporcional a la frecuencia absoluta correspondiente: α = ∗f i .
N
Presentación de Variables Cuantitativas

Distribución de Frecuencias Agrupadas:

 La distribución de frecuencias agrupadas o tabla con datos agrupados se emplea si las

variables toman un número grande de valores o la variable es continua.
 Se agrupan los valores en intervalos que tengan la misma amplitud y se denominan clases.
A cada clase se le asigna su frecuencia correspondiente.
 Límites de Clase: cada clase es delimitada por un límite superior y un límite inferior de
clase.
 Amplitud de Clase: la amplitud de clase es la diferencia entre el límite superior y el límite
inferior de la clase.
1. Tabla de Frecuencias.
 Primero se calculan los intervalos de clase y para esto se debe calcular el número de
intervalos por medio de: √ n o 1+3.3 log n. La fórmula del logaritmo se utiliza cuando el
número de datos es muy grande.
 Luego se calcula la longitud de cada intervalo, es decir el rango dividido por el número de
Rango Dato Mayor−Dato menor
intervalos de acuerdo a esta fórmula: =
¿ de Intervalos ¿ de Intervalos
 Los intervalos se forman teniendo presente que el límite inferior de una clase pertenece al
intervalo, pero el límite superior no, este se cuenta en el siguiente intervalo.
 Se construye la tabla con los datos calculados y luego se grafica
2. Diagrama de Puntos.
 Se utiliza cuando tenemos una sola variable y menos de 30 datos.
 Si un dato se repite se marca un punto encima del valor correspondiente.
 La tendencia se encuentra donde más se agrupan los datos.
 La dispersión es la medida de que tanto se alejan los datos con respecto a la media.
3. Diagrama de Tallos y Hojas.
 Se utilizan para datos de dos o más dígitos
 El primer digito se selecciona como el tallo y el último es la hoja.
 Hacer una lista de menor a mayor en forma vertical de los valores de los tallos.
 Registrar el número de hojas por tallo en orden ascendente.
 Indicar la cantidad de observaciones (frecuencia) por cada tallo.
4. Histograma.
 Es una representación gráfica de una variable en forma de barras.
 Se utiliza tanto para variables continuas o variables discretas, con un gran número de
datos y que se han agrupado en clases.
 En el eje de abscisas (x) se construyen unos rectángulos que tiene por base la amplitud del
intervalo, y por altura, la frecuencia absoluta de cada intervalo.
 La superficie de cada barra es proporcional a la frecuencia de los valores representados.
5. Polígono de Frecuencia.
 se toma la marca de clase que coincide con el punto medio de cada rectángulo.
6. Histograma y polígono de frecuencias acumuladas
 si se representan las frecuencias acumuladas de una tabla de datos agrupados se obtiene
el histograma de frecuencias acumuladas o su correspondiente polígono.
7. Histogramas con amplitud diferente:
 para construir un histograma con intervalo de amplitud diferente tenemos que calcular
fi
las alturas de los rectángulos del histograma con la siguiente formula: H= ; Donde fi
ai
es la frecuencia del intervalo y ai es la amplitud del intervalo y H la altura.
 Parámetros Estadísticos

Un parámetro estadístico es un número que se obtiene a partir de los datos de una distribución
estadística. Sirven para sintetizar la información obtenida en una tabla o en una gráfica.

Tipos de Parámetros Estadísticos:

1. De Centralización
 Nos indican en torno a que valor se distribuyen los datos. Son:
 Media Aritmética: la media es el valor promedio de la distribución.
 Mediana: Es la puntuación de la escala que separa la mitad superior de distribución de la
inferior, es decir divide la serie de datos en dos partes iguales.
 Moda: es el valor que más se repite en la distribución.
2. De Posición
 Son las que dividen un conjunto de datos en grupos con el mismo número de individuos.
Para calcular las medidas de posición es necesario que los datos estén ordenados de
menor a mayor. Son:
 Cuartiles: dividen la serie de datos en cuatro partes iguales.
 Deciles: divide la serie de datos en diez partes iguales.
 Percentiles: divide la serie de datos en cien partes iguales.
3. De Dispersión
 Nos informan que tan alejados del centro están los datos en la distribución, son:
 Rango o recorrido: es la diferencia entre el dato mayor y el dato menor de una
distribución estadística.
 Desviación Media: la desviación media es la media aritmética de los valores absolutos de
las desviaciones respecto a la media.
 Varianza: es la media aritmética del cuadrado de las desviaciones respecto a la media.
 Desviación Típica: es la raíz cuadrada de la varianza.
 Coeficiente de Variación: es la relación entre la desviación típica de una muestra y su
media.

Medidas de Tendencia Central

Moda Estadística:

La moda es el valor que tiene la mayor frecuencia absoluta, se representa por M o. Se puede hallar
para variables cuantitativas y cualitativas. Si en un grupo hay dos o más puntuaciones con la
misma frecuencia y dicha frecuencia es la máxima decimos que es bimodal o multimodal. Cuando
todas las puntuaciones tienen la misma frecuencia no hay moda. Si dos puntuaciones adyacentes
tienen la frecuencia máxima, la moda es el promedio de las puntuaciones adyacentes.

Calculo de la Moda para Datos Agrupados:

1. Intervalos con misma amplitud

f i−f i−1
 M o=L I + ∗ai
( f i−f i−1 ) + ( f i−f i+1 )
 LI es el límite inferior de la clase modal.
  f ies la frecuencia absoluta de la clase modal.
 f i−1es la frecuencia absoluta inmediatamente inferior a la clase modal.
 f i+1es la frecuencia absoluta inmediatamente superior a la clase modal.
 a i es la amplitud de clase.
f i+1
 M o=Li + ∗a esta fórmula se utiliza para tener un cálculo aproximado de la
f i−1 + f i+1 i
moda.
2. Intervalos con amplitudes diferentes
fi
 Primero se hallan las alturas hi =
ai
hi−hi−1
 La clase modal es aquella que tiene mayor altura M o=Li + ∙a
(h i−hi−1 )+(hi −hi+1 ) i
h i+1
 La moda aproximada se calcula así M o=Li + ∙a
hi−1 +hi+ 1 i
Mediana

Es el valor que ocupa el lugar central de todos los datos cuando están ordenados de menor a
mayor, se representa por M ey solo se puede calcular para variables cuantitativas.

Mediana No Agrupada

1. Ordenar los datos de menor a mayor

2. Si la serie tiene un número impar de medidas, la mediana es la puntuación central de la
misma. 2, 3, 4, 4, 5, 5, 5, 6, 6, M e =¿5
3. Si la serie tiene un número par de puntuaciones la mediana es la media entre las dos
puntuaciones centrales. 7, 8, 9, 10, 11, 12 M e =9.5

Mediana para Datos Agrupados

1. La mediana se encuentra en el intervalo donde la frecuencia acumulada llega hasta la

mitad de la suma de las frecuencias absolutas.
N
2. Se debe buscar en el intervalo donde se encuentre
2
N
−Fi −1
 2
M e =Li + ∙ ai
fi
 Lies el límite inferior de la clase donde se encuentra la mediana.
N
 es la semi-suma de las frecuencias absolutas.
2
 F i−1 es la frecuencia acumulada anterior a la clase mediana.
 a ies la amplitud de clase.
 La mediana es independiente de las amplitudes de los intervalos.

Media Aritmética
Es el valor obtenido al sumar todos los datos y dividir este valor sobre el número total de datos. El
símbolo de la media aritmética es x́ . Se le conoce también como promedio.

1. Media Aritmética Para Datos No Agrupados:

n
x 1+ x 2 + x 3 + x n ∑ x1
 x́= Es decir
N x́= i=1
N
2. Media Aritmética Para Datos Agrupados:
x 1 f 1+ x 2 f 2 + x 3 f 3 + x n f n
 x́=
N
n


∑ x1 f 1
x́= i=1
N
Propiedades de la Media Aritmética:

1. La suma de las desviaciones de todas las puntuaciones de una distribución respecto a la

media de la misma es igual a cero. ∑ ( x i− X́ )=0

La suma de las desviaciones de los números 8, 3, 5, 12, 10 de su media aritmética es 7.6 es igual a
0:

( 8−7.6 ) + ( 3−7.6 ) + ( 5−7.6 )+ ( 12−7.6 ) + ( 10−7.6 )=0.4−4.6−2.6+4.4 +2.4=0

2. La suma de los cuadrados de las desviaciones de los valores de la variable respecto a un

número cualquiera se hace mínima cuando dicho número coincide con la media
aritmética.
3. Si a todos los valores de la variable se les suma el mismo número, la media queda
aumentada por dicho número.
4. Si a todos los valores de la variable se multiplican por el mismo número, la media debe ser
multiplicada por dicho número.

Observaciones:

1. La media solo se puede hallar para variables cuantitativas.

2. La media es independiente de las amplitudes de los intervalos.
3. La media es muy sensible a las puntuaciones extremas. Si tenemos una distribución con los
siguientes pesos: 65kg, 69kg, 65kg, 72kg, 66kg, 75kg, 70kg, 110kg. La media es igual a
74kg, que es una medida de centralización poco representativa de la distribución.
4. La media no se puede calcular si hay un intervalo con una amplitud indeterminada.

Media Ponderada

Nos permite calcular un promedio que toma en cuenta la importancia de cada valor con respecto
al total. Su símbolo es x́ w
 ∑(w∗x)
 x́ w =
∑w
 w es el peso asignado a cada dato.
 ∑( w∗x) es la sumatoria de los productos de la ponderación de cada elemento por el
 elemento correspondiente.
 ∑ w es la suma de las ponderaciones.
Media Geométrica

Es una medida de tendencia central utilizada para medir la tasa promedio de cambio o crecimiento
de alguna cantidad, se calcula tomando la n-enésima raíz del producto de n-valores que
representa el cambio. Se representa por M.G. y se calcula utilizando esta fórmula:

√x producto de todoslos valores de x

Medidas de Posición:

Medidas de Distancia: Rango, Rango interfractil, Rango Intercuartil, Cuartiles, Deciles y Percentiles

Rango

El rango es la diferencia entre el más alto y el más pequeño de los valores observados.

Rango=Dato de mayor valor−Dato de menor valor

Como toma en cuenta solo dos observaciones de un conjunto de datos ignora la variación de entre
todas las demás observaciones y los valores extremos tienen una gran influencia en el.

Cuartiles

Son los tres valores de la variable que dividen a un conjunto de datos ordenados en cuatro partes
iguales. Se denominan Q 1 ,Q 2 y Q 3 Y representan el 25%, 50% y 75% respectivamente. Q 2 Es la
mediana también.

Cuartiles para Datos No Agrupados

1. Primero se deben ordenar los datos en orden ascendente.

2. Buscamos el lugar que ocupa cada cuartil utilizando esta fórmula:
N∗k
 , k =1,2,3
4
3. Y por último calculamos la mediana o el cuartil deseado. Si la posición es un número
entero tomamos ese término y el siguiente y calculamos el promedio entre ambos. En
caso de ser un número decimal se aproxima al entero mas cercano.

Rango Intercuartilico

Diferencia entre los valores del primer cuartil y el tercer cuartil; esta diferencia representa el rango
de la mitad central del conjunto de datos.

Rango Intercuartil=Q3−Q1
Intervalo 1: los datos que caigan por fuera del intervalo 1 se consideran datos inusuales suaves.
I 1=( Q 1−1.5 RI , Q 3 +1.5 RI )

Intervalo 2: los datos que estén por fuera del intervalo 2 se consideran datos inusuales extremos.
I 2=( Q1−3 RI , Q3 +3 RI )

Cuartiles para Datos Agrupados

Cuando los datos se encuentran en una tabla de distribución de frecuencias seguimos los
siguientes pasos

1. Encontramos la posición en la cual se encuentra el cuartil deseado utilizando la formula.

N∗k
, k =1,2,3
4
Esta posición nos dirá en que intervalo de clase se encuentra el resultado.
Ls−Li
2. Utilizamos la siguiente formula: x k =Li +
[ ]
fi
[ k−(F i−1 +1)]
 x k Posicion del dato dentro de la distribución. Nos dice en que intervalo de clase
se encuentra el resultado.
 Li es el límite inferior del intervalo de clase donde está el resultado.
 Ls limite superior del intervalo de clase donde esta el resultado
 f i frecuencia absoluta del intervalo indicado
 k es el valor posicional donde esta el resultado
 F i−1 es la frecuencia absoluta acumulada anterior al intervalo de clase donde está
el resultado.

En el caso de deciles y percentiles se aplican los mismos procedimientos tanto para datos
agrupados como para no agrupados. Se debe tener en cuenta que para los deciles el valor de
k =1,2,3 … 9 y N=10 . Para los percentiles k =1,2,3 … 99 y N=100 .

Medidas de Dispersión

Varianza de Población

La varianza es la media aritmética del cuadrado de las desviaciones respecto a la media de una
distribución estadística. Nos dice la medida del cuadrado de la distancia promedio entre la media y
cada observación de la población. Su resultado se expresa en unidades al cuadrado de las
unidades de los datos. Se representa por σ 2. Se calcula con esta fórmula:

Σ(x−μ)2 Σ x 2
σ 2= = −μ 2
N N
 x es la observación
 μ es la media de la población
 N numero total de elementos en la población
  ∑ suma de todos los valores ( x−μ)2, o todos los valores x 2
 σ 2 varianza de la población
Varianza Poblacional Para Datos Agrupados:

Σ f ( x−μ )2 Σ fx 2
σ 2= = −μ2
N N
 σ 2es la varianza de la población
 σ es la desviación estándar de la población
 f es la frecuencia de cada una de las clases
 x es el punto medio de cada clase
 μ es la media de la población
 N tamaño de la población
Varianza de una Muestra:

Σ ( x− x́ )2 Σ x 2 n x́ 2
s2= = −
n−1 n−1 n−1
 s2 Varianza de la muestra.
 s Desviación estándar de la muestra.
 x Valor de cada una de las n observaciones.
 x́ Media de la muestra.
 n−1 Número de observaciones de la muestra menos 1.

Propiedades de la Varianza

1. La varianza será siempre un valor positivo o cero, en el caso de que las puntuaciones sean
iguales.
2. Si a todos los valores de la variable se le suma un numero la varianza no cambia.
3. Si a todos los valores de la variable se multiplican por un número la varianza queda
multiplicada por el cuadrado de dicho número.
4. Si tenemos varias distribuciones con la misma media y conocemos sus respectivas
varianzas, se puede calcular la varianza total.
σ 21+ σ 22 +σ 2n
Si todas las muestras tienen el mismo tamaño: σ 2=
n
k 1∗σ 1+ k 2∗σ 22+ k n∗σ 2n
2
2
Si las muestras tienen diferentes tamaños: σ =
k 1 +k 2 +k n

Observaciones

1. La varianza al igual que la media es muy sensible ante las puntuaciones extremas.
2. Cuando no podemos hallar la media no se puede hallar la varianza.
3. La varianza no viene expresada en las mismas unidades que los datos, las unidades son el
cuadrado de las unidades utilizadas.
 Desviación Estándar de la Población

Raíz cuadrada positiva de la varianza; medida de dispersión con las mismas unidades que los datos
originales, más que en las unidades al cuadrado en que se expresa la varianza. Es la raíz cuadrada
del promedio de los cuadrados de las distancias entre las observaciones y la media. Se representa
∑(x−μ)2 ∑ x2
por σ . Se calcula de la siguiente manera: σ =√ σ 2=
√ N
=
√ N
−μ2

 x es la observación
 μ es la media de la población
 N número total de elementos en la población
 ∑ suma de todos los valores ( x−μ)2, o todos los valores x 2.
 σ desviación estándar de la población
 σ 2 varianza de la población
Desviación Estándar de una población para Datos Agrupados

∑ f (x −μ)2 ∑ f x2
σ = √ σ 2=
√ N
=
√N
−μ 2

 σ desviación estándar de la población

 σ 2 varianza de la población
 f es la frecuencia de cada una de las clases
 x es el punto medio de cada clase
 μ es la media de la población
 N tamaño de la población
Desviación Estándar De Una Muestra

∑( x−x́)2 ∑ x 2 n x́2
s= √ s2 =
√ n−1
=
√ −
n−1 n−1
 s2 Varianza de la muestra.
 s Desviación estándar de la muestra.
 x Valor de cada una de las n observaciones.
 x́ Media de la muestra.
 n−1 Número de observaciones de la muestra menos 1.
Coeficiente de Variación

Es una medida relativa de la dispersión, que puede compararse para diferentes distribuciones y
que expresa la desviación estándar como un porcentaje de la media. Se calcula de la esta forma:

σ
Coeficiente de variacion de la poblacion= ∗100
μ
 1. Probabilidad

Teoría Básica de Conjuntos

Un conjunto es un grupo de elementos bien definidos. Se denotan con letras mayúsculas y sus
elementos con letras minúsculas. Se representan gráficamente utilizando diagramas de Venn. Para
representar y definir los conjuntos utilizamos corchetes. Al interior de los corchetes utilizamos
comas para separar los elementos.

Descripción por Extensión: Cuando describimos los elementos de un conjunto por extensión es
mencionar todos los elementos que lo componen. Si un conjunto tiene muchos elementos se
utilizan los puntos suspensivos para denotar la extensión.

Descripción por Comprensión: Cuando mencionamos una o más características que comparten
todos los elementos del conjunto lo estamos describiendo por comprensión.

Clases de Conjuntos

1. Universales: al definir un conjunto debemos especificar de donde sacamos los elementos

que lo conforman. Un conjunto universal es dicha base y se representa por U .
2. Vacío: un conjunto que no contiene elementos se denomina vacío, su símbolo es ∅ .
3. Unitario: es un conjunto formado por un solo elemento.
4. Finitos: los conjuntos finitos son aquellos que tienen un número finito de elementos y
podemos contarlos.
5. Infinitos: son aquellos que dificultan el conteo de sus elementos por su gran cantidad. En
estos casos es mucho más fácil describirlos por comprensión a que por extensión es
imposible.

Relaciones entre Conjuntos

1. Pertenencia: cuando queremos relacionar un elemento de un conjunto con dicho

conjunto decimos que tal elemento pertenece al conjunto mencionado. Su notación es ∈.
2. Contenencia: cuando relacionamos un conjunto con otro conjunto hablamos de la
“contenencia” y lo denotamos con⊂. Un conjunto esta contenido dentro de otro cuando
todos los elementos del primer conjunto (A) están también en el segundo conjunto (B).
Decimos que A es un subconjunto de B.

Operaciones entre Conjuntos

 1. Unión: es el conjunto de todos los elementos que pertenecen a A, B o a los dos. En general
x tal que x es un elemento que pertenece a A o x pertenece a B.
A ∪ B= { x / x ∈ A o x ∈ B }.
2. Intersección: es el conjunto formado por los elementos que pertenecen a ambos
conjuntos exclusivamente, es decir sus elementos hacen parte de A y de B.
A ∩ B={ x /x ∈ A y x ∈ B }.
3. Diferencia: cuando formamos un conjunto de los elementos que pertenecen a A pero no
pertenecen a B. A−B={x / x ∈ A y x ∉ B} .
4. Complemento: dado un conjunto universal U y un conjunto A, tal que A ⊂ U, llamamos
complemento de A (denotado por A’) el conjunto de elementos de U que no pertenecen a
A. A' ={ x /x ∈U y x ∉ A }.

Propiedades

1. Conmutativas:
 A ∪ B=B ∪ A
 A ∩ B=B ∩ A
2. Asociativas:
 ( A ∪ B ) ∪C= A ∪ ( B∪C )
 ( A ∩ B ) ∩ C= A ∩( B∩ C)
3. Complementarias:
 A ∪ A C =U ; A ∪ ∅= A ; A ∪ U =U
 A ∩ AC =∅ ; A ∪ ∅=∅ ; A ∩U =A
4. Involutivas:
 ¿
5. Idempotencia:
 A ∪ A= A ; A ∩ A= A
6. Distributivas:
 A ∪ ( B ∩C )=(A ∪B)∩( A ∪ C)
 A ∩ ( B∪C )=(A ∩B)∪( A ∩C )
7. Leyes de D’Morgan:
 ¿
 ( A ∩ B)C = AC ∪ BC
8. Otras:
 Si
A ⊂ B ,entonces A ∪ B=B y A ∩ B=A . ( A ∩ B ) ⊂ A y A ⊂ ( A ∪B ) para cualquier A y cualquier B .
Cardinalidad de Un Conjunto

Sea A un conjunto cualquiera, llamaremos “cardinal de A” al número de elementos de A y se

denota como n( A) .

Propiedades:

Cuando tenemos 2 conjuntos A y B .

 1. n ( ∅ )=0
2. A=B , sin ( A ) =n( B)
3. A ⊆ B , si n ( A ) ≤ n( B)
4. n ( A ∪ B )=n ( A ) +n ( B )−n ( A ∩ B )
5. n ( U )=n ( A ) +n( A¿¿ c)¿
6. n ( A−B )=n ( A )−n( A ∩ B)
Cuando tenemos 3 conjuntos A , B y C

1. n ( A ∪ B ∪C )=n ( A ) +n ( B ) +n ( C )−n ( A ∩B )−n ( A ∩C )−n ( B∩C ) +n ( A ∩ B∩ C )

Probabilidad

Probabilidad es la posibilidad que tiene un evento determinado de ocurrir dentro de un

experimento. Este experimento se llama “experimento aleatorio” ya que no sabemos cuál será el
resultado que ocurrirá. Antes de calcular la probabilidad de un evento debemos enumerar todos
los posibles resultados creando así el espacio muestral. El espacio muestral es el conjunto de todos
los posibles resultados que pueden ocurrir.

Posibilidades y Probabilidades:

Una posibilidad es la comparación entre el numero de resultados favorables y el numero de

resultados desfavorables.

La probabilidad es el cociente entre el numero favorable de casos y el numero total de casos

posibles.

Metodo Axiomatico:

 Concibe la probabilidad de ocurrencia de un suceso, como un número comprendido entre

0 y 1. Este concepto tiene que ver directamente con la noción de frecuencias relativas,
donde 0< hi< 1
 Se establece una escala de valores entre 0 y 1. La probabilidad de 1 corresponde al límite
superior, considerado como certeza absoluta. 0 es la imposibilidad absoluta.

Se llamara suceso a cada caso posible, es decir, a la realización de un acontecimiento y este puede
ser:

 Un hecho es cierto, cuando son favorables todos los casos posibles = 1.

 Un hecho verosímil es un suceso susceptible de realizarse pero su probabilidad favorable
es menor que la unidad y mayor que 0,5.
 Si la probabilidad es igual a 0.5 será un hecho dudoso ya que las probabilidades ventajosas
y desventajosas son iguales.
 Un Hecho inverosímil se presenta cuando la probabilidad es menor que 0.5 y mayor que 0.
 Un hecho imposible es cuando no existe posibilidad alguna de salir favorecido.

Método Empírico o Práctico:

Considera la posibilidad de un suceso, como aquel numero al cual se aproxima cada vez más la
frecuencia relativa de la ocurrencia de un suceso, cuando las veces que se repite el experimento
que origina ese suceso es lo bastante grande.

Probabilidad Empírica:

 se determina mediante una serie de experimentos, en el caso de determinar la

probabilidad de éxito de una operación quirúrgica practicada por determinado médico,
será número de casos favorables, dividido por el total de operaciones practicadas.

Numero de casos favorables

P=
Numero de casos posibles
Método Clásico:

 Considera la probabilidad como el cociente de dividir al número de casos favorables o

éxitos que pueden ocurrir en una prueba, por el total de casos posibles y que
anteriormente lo consolidamos como empírico.

Numero de exitos
P=
Total de Casos Posibles
Probabilidad a priori:

 Es aquella que se puede determinar de antemano, sin necesidad de realizar el

experimento.

Probabilidad objetiva y subjetiva:

 Las probabilidades obtenidas mediante el método empírico y método clásico, también

denominada como probabilidades objetivas, ya que se toma de la experiencia. También
están las probabilidades subjetivas correspondientes a una evaluación muy personal de la
ocurrencia del suceso.

Probabilidad con base a las frecuencias relativas:

 Consiste en una observación que nos determina en que momento ocurrieron eventos
semejantes en el pasado, que permitan establecer la probabilidad de que vuelva a ocurrir
en el futuro. También puede ser la fracción de veces que un evento se presenta a larga
cuando las condiciones son estables.

¿ de veces de ocurrencia del evento pasado

Probabilidad de Ocurrencia=
¿ total de observaciones
 Prueba es la realización de un acto. El conjunto de pruebas realizadas en las mismas
condiciones se denomina experimento. La respuesta de una prueba se llama resultado,
punto muestral o suceso.

Experimento Aleatorio

Es un proceso que debe cumplir estas condiciones:

 1. Todos los posibles resultados se conocen de antemano.
2. Al realizar el experimento no se sabe que resultado ocurrirá.
3. Puede ser repetido infinitas veces bajo condiciones idénticas.

Espacio Muestral

Es el conjunto de todos los posibles resultados de un experimento aleatorio. Un evento es un

subconjunto del espacio muestral. Un evento vacío es aquel que no tiene ningún posible
resultado.

Existen tres tipos de espacios muestrales:

1. Finito: cuando podemos escribir y contar todos los elementos del conjunto decimos que
es finito.
2. Infinito Contable: quiere decir que es posible contar la progresión de los valores, pero
dicha progresión puede ser infinita.
3. Infinito: cuando el número de elementos dentro del espacio muestral son demasiados
para contarlos o enumerarlos. Utilizamos un intervalo para su descripción. Un intervalo es
un subconjunto de la recta numérica que está localizado en su totalidad entre dos valores.

Eventos:

Cuando encontramos la unión de dos eventos se crea un conjunto que es mayor o igual al evento
más grande. Al hallar la intersección de dos eventos se crea un conjunto que será menor o igual al
evento de menor tamaño. Unir dos conjuntos creando uno más grande se conoce como la unión
de eventos. Encontrar exclusivamente los resultados comunes entre dos conjuntos sé cómo como
la intersección de dichos conjuntos. Todos los posibles resultados dentro de un espacio muestral
que no pertenezcan a un evento se conocen como el complemento de dicho evento.

Probabilidad de un Evento:

El tipo de probabilidad a encontrar depende de la manera en cómo se plantea la cuestión.

1. Probabilidad Simple o Marginal: Cuando queremos saber la posibilidad de que ocurrar un

evento . Si queremos saber la probabilidad de que un dado caiga en número par hablamos
de probabilidad simple. Se denota como P( A)
2. Unión de Probabilidades: cuando queremos encontrar la posibilidad de que ocurran los
eventos A o B. Es decir que ocurra A, B o los dos. P( A ∪ B)
3. Probabilidad Conjunta: cuando buscamos la probabilidad de que los eventos A y B ocurran
al mismo tiempo. Se denota P( A ∩ B)
4. Probabilidad del complemento: es la posibilidad de que ocurran todos los eventos que
están en el espacio muestral pero no se encuentran en A. su notación es
5. Probabilidad Condicional: es la probabilidad de que ocurra un evento dado que otro
evento ocurrió primero. Se denota P ( A|B ) y se lee la probabilidad de A dado B. Para
encontrarla utilizamos la siguiente formula:
P( A ∩B)
 P ( A|B )= .Tomamos la probabilidad conjunta de A y B, para dividirla por la
P( B)
probabilidad de B. La probabilidad conjunta está en el numerador porque queremos los
 posibles sucesos de B que están también en A. al dividir por la probabilidad de B
encontramos nuestro nuevo espacio muestral, es decir lo que buscamos se encuentra en
el subconjunto B.
 No es posible encontrar una probabilidad condicional de A dado B si la probabilidad de B
es nula.

Axiomas de Probabilidad

1. Si A es un evento de un espacio muestral entonces 0 ≤ P (A )≤ 1

2. P ( Ω )=1 ; Es la probabilidad del Espacio Muestral
3. P ( ∅ )=0,
4. Si A es un evento del espacio muestral P ( A ) + P ( A C )=1

Regla del Complemento:

 El complemento de un evento A, AC es el conjunto de elementos que están en el espacio

muestral pero no hacen parte de A. La probabilidad del complemento de un evento A, es
la oportunidad de que dicho evento no se produzca. Por definición A ∪ A C =U , que es el
espacio muestral, por lo tanto su probabilidad es 1. P ( A C ) + P ( A )=1.
 Cuando despejamos para P ( A C ) =1−P( A) obtenemos la “Regla Del Complemento”.

Regla de Multiplicación:

 Se aplica para encontrar la probabilidad conjunta de dos eventos A y B. La probabilidad de

que ocurran los eventos A y B es igual a la probabilidad de que ocurra B por la
probabilidad de que A ocurra dado que B ocurrió. Primero ocurre B y luego ocurre A dado
que B ocurrió. P ( A ∩ B )=P ( B )∗P( A∨B).
 Se debe tener clara la diferencia entre la probabilidad condicional y la probabilidad
conjunta. La probabilidad conjunta se utiliza cuando escogemos un elemento del conjunto
total con dos características. Mientras que la probabilidad condicional se usa cuando se
escoge un subgrupo que tiene ya una característica dada y se quiere la probabilidad de
que salga un elemento de dicho subgrupo con una segunda característica.

Regla de Adición:

La unión de dos eventos A y B es el conjunto de todos los resultados en un espacio muestral, que
están en A o en B o en los dos. Para hallar la probabilidad de la unión se debe sumar la
probabilidad de A y la de B, y luego restarle la probabilidad de la intersección de A y B para evitar
hacer un doble conteo. Utilizamos la siguiente fórmula para realizar el cálculo:
P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B).
Regla de Adición en Eventos Mutuamente Excluyentes:

 Cuando los eventos son exclusivos no tienen una intersección, por lo cual al utilizar la regla
de adición para encontrar la probabilidad de la unión de dos eventos solo sumamos la
probabilidad de cada evento.
  La regla de adición es la probabilidad de que el conjunto de resultados se encuentre en A o
en B o en los dos. Con eventos ME no existen resultados que se encuentren en los dos
conjuntos.
 P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B). Regla para eventos independientes
 P ( A ∪ B ) =P ( A )+ P ( B )−P( A ∩ B), P ( A ∩ B )=0, Entonces P ( A ∪ B ) =P ( A )+ P ( B )
Regla para eventos mutuamente excluyentes.


Eventos Independientes:

Múltiples eventos son independientes si el conocimiento de que ya ocurrió un evento no influye

en la probabilidad de que otro evento ocurra. Saber que A ocurrió no cambia la probabilidad de B
dado A. Hay dos maneras para determinar si los eventos son independientes y asumiendo que A y
B no son vacíos.

1. Definición de Independencia: se comprueba que se cumpla la siguiente condición

 P ( A|B )=P ( A ) o P ( B| A )=P(B)
 Suponga que se tira un dado, el espacio muestral es S={1,2,3,4,5,6 }. Sea el evento A que
el número que caiga sea impar, y sea el evento B que caiga el número 1.
 Para determinar si son eventos independientes debemos preguntar cuál es la probabilidad
que caiga un 1, sabiendo que cayó un número impar. Dicha probabilidad es de 1/3.
 Ahora cual es la probabilidad de que salga un 1 sin saber si el dado cayó en par o impar? La
respuesta es 1/6.
 Como las respuestas son diferentes los eventos no son independientes, y el conocimiento
de un evento si afecta la probabilidad del otro.

Que los eventos sean independientes no significa que no pueda ocurrir simultáneamente, en
probabilidad dos eventos independientes pueden ocurrir al tiempo y coexistir puesto que no
influyen entre ellos en términos probabilísticos.

2. Regla de Multiplicación para eventos independientes: cuando los eventos son

independientes podemos multiplicar las probabilidades individuales para encontrar la
probabilidad conjunta.
 Cuando sabemos que A y B son eventos independientes se cumple que P ( A|B )=P ( A ) o
P ( B| A )=P ( B ).
 Al momento de encontrar la probabilidad conjunta es decir P ( A ∩ B )=P ( A )∗P( B∨ A)
pero como sabemos que son independientes se cambia P( B∨ A) por P ( B ). Y se
multiplican las probabilidades individuales de cada evento.

Eventos Mutuamente Excluyentes:

 Cuando dos eventos no pueden suceder simultáneamente y por lo tanto tienen una gran
influencia entre ellos, les llamamos mutuamente excluyentes. A ∩ B=∅ o P ( A ∩B )=0.
Saber que ocurrió un evento inmediatamente hace imposible que ocurra el otro.
 Que dos eventos sean mutuamente excluyentes no siempre significa que tenga que ocurrir
uno o el otro evento, en otras palabras si ocurre un evento, sabemos que el otro no puede
suceder.
  Si A y B son mutuamente excluyentes sucede lo siguiente, P ( A ∩ B )=0 entonces:
P( A ∩B) 0
 P ( A|B )= = =0
P( B) P( B)
 Los complementos de un evento siempre serán mutuamente excluyentes porque en
términos de resultados siempre serán opuestos.

Distinción entre Eventos Independientes y Eventos Mutuamente Excluyentes

Decimos que dos eventos son independientes cuando pueden ocurrir simultáneamente, lo cual
significa que se intersectan. La fórmula de probabilidad conjunta es la multiplicación entre las
probabilidades de cada evento, pero si son eventos mutuamente excluyentes no pueden suceder
al mismo tiempo por lo que no se interceptan, y su probabilidad conjunta debe ser igual a 0.

1. Es posible que dos eventos que no son vacíos y sean independientes, puedan también ser
mutuamente excluyentes.
 No es posible dado que para que sean exclusivos no se deben interceptar y la probabilidad
de esto debe ser 0. La probabilidad conjunta es la multiplicación de las probabilidades
individuales y tanto A como B son independientes. La única manera de que fuese 0 es si
alguna de las dos probabilidades fuese 0, pero se especificó previamente que los eventos
no son vacíos. Si dos eventos son no vacíos e independientes no es posible que también
sean mutuamente excluyentes.
2. Tampoco es posible que dos eventos que son mutuamente excluyentes y no vacíos sean
independientes.
 Dada la definición de independencia no es posible. Para que sean independientes se debe
cumplir que la probabilidad de A dado B sea igual a la probabilidad de A. pero como
sabemos que la probabilidad de A dado B es la probabilidad de la intersección sobre la
probabilidad de B. Como son mutuamente excluyentes no habrá probabilidad de la
intersección. Para que se cumpliera la definición de independencia alguna de las
probabilidades individuales debe ser 0 y para esto algún conjunto debe ser vacío. Si dos
eventos son mutuamente excluyentes y no vacíos no pueden ser independientes también.

La única manera para que eventos mutuamente excluyentes sean independientes o en el sentido
contrario es que uno o los dos eventos sean conjuntos vacíos.

Diagramas de Venn

 Es un diagrama que utiliza un rectángulo para representar el espacio muestral círculos que
representan los diferentes eventos involucrados. Si los eventos se intersectan entonces los
círculos se sobreponen en algún punto, si son mutuamente excluyentes están separados y
no hay intersección.
 El diagrama nos permite organizar la información que nos dan y utilizando las leyes de
conjuntos y de probabilidad, nos ayuda a organizar, identificar y encontrar las
probabilidades que nos piden.
 La suma de todas las probabilidades de las uniones en el diagrama deben ser igual a 1

Los diagramas de Venn también nos permiten demostrar reglas intermedias de la teoría de
conjuntos como las Leyes de D’Morgan.
  ¿ la unión se cambia por una intersección
 ( A ∩ B)C = AC ∪ BC cambiamos la intersección dentro del paréntesis por una unión afuera
de ellos.

Estas leyes nos permiten remover paréntesis y simplificar algunas expresiones.

Son de mayor utilidad en casos de probabilidades marginales y probabilidades conjuntas

Encontrar Probabilidades utilizando Venn:

Una calle tiene dos semáforos. La probabilidad de que el primer semáforo este en rojo es de 0.40,
y la probabilidad de que el segundo este también en rojo es del 0.30. Se configuraron de esta
manera para que la probabilidad de que ambos caigan en rojo sea solo del 0.10.

 ¿Cuál es la probabilidad de que ningún semáforo este en rojo?

 ¿Cuál es la probabilidad de que solamente un semáforo este en rojo?

1. El primer paso es dibujar el diagrama. Para ello definimos el espacio muestral y los que
contiene. En este caso el espacio muestral se conforma por todas las posibles situaciones
que ocurran con los dos semáforos: los dos están en rojo, los dos no están en rojo, uno
está en rojo y el otro no.

S= { RR , RN , NR , NN } ; A= { S 1 ROJO } ; B={S 2 ROJO }

Sabemos que la P(A) = 0.30 y que P (B) =0.40, pero no las

introducimos en el diagrama de una vez. Debemos dividir A en dos subconjuntos: A ∩ B ; A ∩ BC
de acuerdo con la regla de adición la unión de estos dos subconjuntos es igual a A por lo tanto
P ( A ∩ B )+ P ( A ∩ BC )=P ( A )=0.40 ; P ( A ∩ B )=0.10 ; P ( A ∩ BC ) =0.40−0.10=0.30 este
valor es el que introducimos en el diagrama y es aquella parte de A que no incluye B.

Utilizamos el mismo razonamiento para encontrar la probabilidad de B que no incluye A es decir

P (B ∩ A C )
La probabilidad de lo que está por fuera de los círculos es ¿, en otras palabras todo lo demás
dentro del espacio muestral que no incluye A o B. Para calcularla restamos la suma de las demás
probabilidades a 1.

2. Respondiendo a las preguntas. Una vez el diagrama está completo podemos responder las
preguntas.
  La probabilidad de que ninguna luz este en rojo es todo lo que está por fuera de
los círculos P ( A C ∩B C )=P ( A ∪ B )C ; 1−P( A ∪ B)aplicamos la regla de
complemento.
 La probabilidad de que exactamente una luz este en rojo, es decir una esté en
rojo y la otra no. Esto puede ocurrir de dos maneras o la primera es roja y la
segunda no; o la primera no es roja y la segunda sí. La probabilidad de que la
primera este en rojo y la segunda no es (todo lo que hace parte de A pero incluye
a B) P ( A ∩B C )=0.30 , la probabilidad de que la primera no sea roja y la segunda
lo sea (parte de B que no incluye A) se denota como P ( B ∩ A C )=0.20 . La palabra
exactamente nos indica que los eventos son mutuamente excluyentes por lo que
no existe una intersección entre ellos y debemos sumar las probabilidades
marginales de cada conjunto; 0.30+0.20=0.50

Diagramas de Árbol

Algunos problema requieren de un proceso de varias etapas para encontrar la solución, para estos
casos necesitamos un método para visualizar el espacio muestral en cada una de las etapas del
proceso con sus posibles resultados, y que nos permite ver las diferentes combinaciones que se
dan al formar un resultado. Este método se conoce cómo un Diagrama de Árbol.

El diagrama de árbol utiliza diferentes ramas para representar cada etapa, también cada resultado
posible dentro de una etapa especifica se representa por otra rama en el árbol. Al finalizar se
siguen los diferentes caminos formados por las ramas para encontrar todos los elementos que
conforman el espacio muestral.

Se usan especialmente para resolver

problemas que combinan probabilidades marginales y condicionales.

Primero debemos organizar todos los posibles resultados para después añadir las probabilidades
correspondientes a cada rama individual del diagrama. Para esto utilizamos la información que nos
da el problema y la regla del complemento.

Las probabilidades marginales (probabilidad de un evento que ocurrió y su complemento) van en

el primer nivel de ramas. Las probabilidades condicionales (probabilidad del segundo evento que
ocurre, condicionado o dependiente del resultado del primer evento) van en el segundo nivel.

Cuando los eventos son dependientes este segundo nivel es de gran ayuda ya que las
probabilidades dependen de lo que ocurrió en el primer nivel.
Ordenación de Probabilidades para Eventos Independientes:

Cuando dos eventos no tienen influencia sobre el otro decimos que sus resultados son
independientes. Para obtener la probabilidad conjunta solo debemos multiplicar la probabilidad
marginal de cada evento en cada rama.

Ordenación de Probabilidades para Eventos Dependientes:

Dos eventos son dependientes o condicionales cuando la probabilidad marginal no equivale a la

probabilidad condicional de A dado B.

El número de ramas en el primer nivel depende el número de opciones que tenemos para escoger.
En el segundo nivel se continua el proceso lo que cambia son las probabilidades que se le asigna a
cada suceso. Esto sucede debido a que esta probabilidad está condicionada por lo que ocurra en el
primer evento.

Las probabilidades en cada etapa deben siempre sumar 1 porque representan todos los posibles
desenlaces en dicha etapa.

El número total de elementos que componen el espacio muestral es el mismo que en el ejemplo
anterior pero como las etapas no son independientes las probabilidades cambian de una etapa a la
otra las probabilidades de los eventos finales no son iguales.

Cada una de las ramas de un diagrama de árbol se relaciona directamente con las reglas de
probabilidad. Las probabilidades del primer nivel se llaman probabilidades marginales porque solo
nos interesa la probabilidad de un solo evento. Las de segundo orden son las probabilidades
condicionales dado que dependen del resultado del primer evento. Para calcular las
probabilidades de los desenlaces en el espacio muestral debemos multiplicar las del primer nivel
con las del segundo nivel.

En los diagramas de árbol definimos la unión de probabilidades como la suma de las

probabilidades que forman la unión. Primero se calcula la probabilidad de cada desenlace (se
multiplica la probabilidad en cada etapa) y luego se suman para cumplir con el evento que se
requiere.

Ley de Probabilidad Total y Teorema de Bayes

La ley de probabilidad total se utiliza en el siguiente escenario. Debemos encontrar la probabilidad

marginal de un evento A, P(A); cuando se nos dan varias probabilidades condicionales y marginales
de eventos relacionados con A pero no directamente la probabilidad de A.

 Por ejemplo suponga que los índices de satisfacción de tres supermercados en un área
específica son publicados por el periódico, junto con la participación de mercado que cada
uno tiene. Como es posible calcular el índice general de satisfacción sin importar a que
tienda acuda el consumidor.

Aplicamos el teorema de Bayes cuando debemos encontrar la probabilidad condicionada de un

evento A dado el evento B, P (B), cuando conocemos P (B|A) y sus complementos, al igual que la
probabilidad marginal de B y sus complementos.

 Suponga que una persona hizo mercado en el área mencionada anteriormente y se fue
satisfecha. Se busca saber a qué mercado parece ser más probable asistió (después de que
el evento ocurriese).

Ley De Probabilidad Total: la probabilidad marginal que tiene un evento de ocurrir en segunda
instancia es igual a la suma de los productos de las probabilidades marginales (1er escenario) y
condicionales (2do escenario dado 1er escenario) sobre todas las posibles maneras de que ocurra
un dicho evento.

 P ( B )=∑ P ( A i )∗P (B∨ Ai ).

i
1. Para poder usar la Ley de Probabilidad Total se deben sumar las probabilidades de todos
los caminos que nos llevan al evento B en el segundo escenario. Ai Representa cada uno
de los eventos en el primer escenario que se dan para que ocurra el evento B en el 2do
escenario. Para cada evento Ai se multiplica P( A¿¿ i)∗P(B∨ A i) ¿para obtener la
probabilidad de dicho recorrido. Luego se suman las probabilidades de cada recorrido para
obtener la probabilidad total del evento B.
2. Primero debemos elaborar el diagrama de árbol con los posibles eventos y probabilidades.
Luego se insertan las posibilidades presentes en cada escenario de acuerdo a la
información suministrada.
3. Juntamos las probabilidades para obtener la probabilidad total

Probabilidad Posterior y Teorema De Bayes: es la probabilidad condicional de un evento A dado

B, donde A ya ocurrió. En algunos casos nos dan la probabilidad de B dado A, y nos preguntan
encontrar la probabilidad de A dado B P (A|B), es decir la probabilidad de que ocurra en el primer
escenario dado que B ocurrió en el segundo. Para poder encontrar esta probabilidad debemos:

1. Encontrar la probabilidad del camino que pasa por A y B.

2. Dividir por la probabilidad total de todos los caminos que llevan a B.

P ( A i )∗P(B∨A i)
P ( A i|B )=
∑ P ( Ai )∗P(B∨ Ai ) Donde Ai es un evento en particular que se dio en el primer
i
escenario, dado que en el segundo escenario ocurrió B.

Tablas de Contingencia

 Es una tabla que clasifica los resultados y sus probabilidades correspondientes en filas y
columnas de acuerdo a la categoría a la cual pertenece el resultado.
 Son una buena manera para representar probabilidades conjuntas, las filas indican si un
evento A ocurrió, y las columnas indican si B ocurrió. Las intersecciones entre filas y
columnas nos dicen las probabilidades conjuntas entre A, B y sus complementos.
 Pueden utilizarse también como alternativa a los diagramas de Venn o de Árbol para
solucionar problemas donde debemos encontrar probabilidades marginales, conjuntas o
condicionales.

Para construir una tabla de contingencia debemos seguir los siguientes pasos:

1. Definir el espacio muestral con los posibles resultados del experimento.

2. Organizar los resultados del experimento para que indiquen los resultados finales que se
buscan. Las filas representan el primer escenario y las columnas representan el segundo
escenario.
3. Insertamos la información
4. Después de añadir la información en cada una de las celdas, debemos añadir una celda
nueva al final de cada fila y cada columna en la cual escribiremos los totales.

Cada una de las celdas se denota a ij, donde la i nos dice la fila y la j nos dice la columna. El dato en
cada celda recibe el nombre de “cuenta”.

Cuando ya hemos construido la tabla de contingencia podemos utilizar su información para

calcular e interpretar las probabilidades de determinados eventos.

EJ:

Suponga que se quiere saber si el resultado del primer lanzamiento de falta influye o no en el
resultado del segundo lanzamiento de falta de un jugador profesional de basquetbol. Tomando
como muestra a su jugador favorito se tiene la siguiente información luego de observar 155 pares
de lanzamientos de falta.

 40 veces convirtió el primero pero fallo el segundo tiro.

 60 veces convirtió ambos tiros.
 10 veces fallo ambos tiros.
 45 veces fallo el primer lanzamiento pero anoto el segundo.
  ¿Cuál es la probabilidad de que enceste los dos tiros?
 ¿Cuál es la probabilidad de que enceste el primero?
 ¿Cuál es la probabilidad de que convierta el segundo tiro si fallo el primero?
 ¿Si fallo el primer tiro, afecta esto las posibilidades de encestar el segundo?

1er Paso:


E1=Convirtio 1er tiro ; F1=Fallo 1 er tiro ; E2=Convirtio 2do tiro ; F2 =Fallo 2 do tiro
;
 S={E1 E2 , E1 F2 , F1 E2 , F 1 F 2 }

2do Paso:

Convirtió 2do Tiro Fallo 2do Tiro

Convirtió 1er Tiro ( E1 ∩ E2 ) ( E1 ∩ F2 )
Fallo 1er Tiro ( F 1 ∩ E2 ) ( F 1 ∩ F 2)

Pasos 3 y 4

Convirtió 2do Tiro Fallo 2do Tiro Totales de Fila

Convirtió 1er Tiro 60 40 100
Fallo 1er Tiro 45 10 55
Totales de Columna 105 50 155

¿Cuál es la probabilidad de que enceste los dos tiros? Probabilidad Conjunta

La probabilidad conjunta es la intersección de dos eventos, en este caso encestar los dos tiros. La
celda a 11nos dice el número de elementos en ( E1 ∩ E2 ) el cual debemos dividir por número total
60
de datos. =0.39
155
La fórmula general para probabilidades conjuntas en tablas de contingencia es:

Cuenta en aij
 P( A ∩ B)= , donde a es la celda denotada por la fila i y la columna j
GranTotal
¿Cuál es la probabilidad de que enceste el primero? Probabilidad Marginal

Nos están preguntando cual es la posibilidad de que convierta el primer tiro sin importar lo que
pase en el segundo, en otras palabras es la probabilidad de un solo evento. Para encontrar el
resultado debemos tomar el total de la fila que representa éxito en el primer tiro y dividirlo por el
100
total de datos. =0.65
155
Formula Probabilidad Marginal de un Evento en la Fila i:
 Total de la fila i
 P( Evento Fila i)=
GranTotal
Formula Probabilidad Marginal de un Evento en la Columna j:

Total de la columna j
 P( Evento Columna j)=
GranTotal
¿Cuál es la probabilidad de que convierta el segundo tiro si fallo el primero? Condicional

Es condicional porque nos pide la probabilidad de encestar dado que ya fallo el primer tiro. Para
encontrar este valor utilizamos la fórmula de probabilidad condicional.

45
 P ( E2|F1 ) = =0.81.
55
Se toman los números que representan la intersección del evento y lo dividimos por el total de la
fila o la columna que representa la probabilidad marginal del evento que ya ocurrió:

P (E2 ∩ F 1)
 P ( E2|F1 ) =
P( F 1)

Probabilidad Condicional de un evento en la fila i dado que ocurrió el evento en la columna j:

Cuenta en aij
 P ( Fila i|Columna J )=
Total de la Columna j
Probabilidad condicional de un evento en la columna j dado que ocurrió el evento en la fila i:

Cuenta en aij
 P ( Columna j|Fila i ) =
Total de la Fila i

¿Si fallo el primer tiro, afecta esto las posibilidades de encestar el segundo?

Para poder responder esta pregunta debemos determinar si son eventos independientes o
dependientes.

Independiente Dependiente
P ( A|B )=P( A) P ( A|B ) ≠ P( A)
P ( A|BC )=P (A ) P ( A|BC ) ≠ P( A)
P ( A|B )=P( A∨BC ) P ( A|B ) ≠ P( A∨B C )

P ( A|BC ) es la probabilidad de A dado que B no ocurrió.

Debemos tener las probabilidades de los posibles resultados donde se falla el primer tiro:
  P ( E2|E1 ) =0.6
 P ( F2|E1 ) =1−0.6=0.4
 P ( F2|F 1 )=0.18
 P ( E2|F1 ) =0.82

Con esta información comprobamos para saber si son independientes o no de acuerdo a los
criterios de la tabla.

1. la probabilidad de acertar los dos tiros debería ser igual a la probabilidad de acertar
fallando el primero. 0.6 no es igual a 0.82 por lo tanto son dependientes. (fila 3)
2. La probabilidad de fallar el segundo tiro debería ser la misma dado que se acertó o se falló
el primer lanzamiento debería ser la misma. 0.18 no es igual a 0.4 entonces no son
independientes. (fila 3)
3. La probabilidad de acertar el segundo lanzamiento debe ser igual a la probabilidad de
acertar el segundo dado que se falló el primero (fila 2). O la probabilidad de acertar el
segundo debe ser la misma dado que se encesto en el primer intento (fila 1).

Técnicas de Conteo

1. Regla de Multiplicación:
 Se tienen “K” conjuntos, n1en el primer conjunto, n2 en el segundo hasta n ken el k-
esimo. Suponga que se desea formar una muestra de K elementos tomando un
elemento de los K conjuntos.
 El número de muestras distintas será: n1∗n2∗n3 …∗n k

Ejemplo:

Un menú contiene las siguientes opciones de platos: 2 sopas, 3 platos, 4 jugos y 5 postres.

 K=4 ; n 1=2; n2=3 ; n3=4 ; n 4=5

 2∗3∗4∗5=120
Formar una placa de 3 letras y 3 números.

 Repitiendo letras y números ; ( 26∗26∗26 )∗( 10∗10∗10 )=17.576 .000

 Sin repetir y números ; (26∗25∗24)∗(10∗9∗8)=11.232 .000
2. Regla de Combinación:
 Se desea escoger una muestra de n elementos de un conjunto de N elementos. El
número de muestras distintas seria

 NCn= ( Nn )= n !(NN−n)!
!

Ejemplo:

Seleccionar dos personas para formar un grupo de 2.

3!
 n=2; 3 C 2= =3
2! ( 3−2 ) !
Hay 49 balotas y se escogen 6 de ellas.

49 !
 n=6 ; 49 C 6= =13.983 .816
6 ! ( 49−6 ) !
3. Regla de Permutación:
 Dado un conjunto de N elementos, claramente distintos se desea seleccionar n
elementos de los N y acomodarlos dentro de n posiciones.
N!
 El número de permutaciones seria: NPn=
( N−n)!
Ejemplo:

3 personas, seleccionar 2 un Presidente y un Vicepresidente.

 3 P 2=6
10 personas en una competencia, 3 medallas: oro, plata, bronce

 10 P3=720
8 personas en 8 filas

 8 P 8=40.320
Notación Factorial:

Es el producto de todos los enteros positivos desde 1 hasta n. Se denota como n !.

n !=1∗2∗3 ⋯ n=(n−1)! n

Distribuciones de Probabilidad y Variables Aleatorias

Variable Aleatoria

Una variable aleatoria es una función que pertenece al espacio muestral S, para el conjunto de
todas las probabilidades posibles (intervalo [0,1]) y se denota como X . x Es un número real que
representa el valor de que toma la variable aleatoria. Hay dos tipos de variables aleatorias:

 V.A. Discreta: cuando puede tomar un número finito de valores o un número infinito pero
contable de valores.
  V.A. Continua: es cuando puede tomar un número infinito de valores dentro de un
intervalo dado.

Variable Aletoria X = Suma del resultado de dos dados

Resultad X Resultad X Resultad X Resultad X Resultad X Resultad X
o o o o o o
(1,1) 2 (2,1) 3 (3,1) 4 (4,1) 5 (5,1) 6 (6,1) 7
(1,2) 3 (2,2) 4 (3,2) 5 (4,2) 6 (5,2) 7 (6,2) 8
(1,3) 4 (2,3) 5 (3,3) 6 (4,3) 7 (5,3) 8 (6,3) 9
(1,4) 5 (2,4) 6 (3,4) 7 (4,4) 8 (5,4) 9 (6,4) 1
0
(1,5) 6 (2,5) 7 (3,5) 8 (4,5) 9 (5,5) 1 (6,5) 1
0 1
(1,6) 7 (2,6) 8 (3,6) 9 (4,6) 1 (5,6) 1 (6,6) 1
0 1 2

Distribución de Probabilidad

 La distribución de probabilidad de una variable aleatoria es una función que asigna a cada
suceso definido sobre la variable la probabilidad de que dicho suceso ocurra.
 Una distribución de probabilidades es una lista de los resultados de un experimento con
las probabilidades que se esperarían ver asociadas a cada resultado. Una distribución de
frecuencias es el listado de las frecuencias observadas de todos los resultados de un
experimento que se presentaron cuando se efectuó este, mientras que una distribución de
probabilidad es un listado de las probabilidades de todos los posibles resultados que se
obtendrían en caso de que se efectuara el experimento.

Las distribuciones de probabilidad se clasifican en dos tipos:

1. Discretas: las cuales permiten un número finito o contablemente infinito de valores

posibles.

2. Continuas: son aquellas que tienen un número infinito de valores posibles dentro un
intervalo dado.

Función de Probabilidad

 Para una variable aleatoria discreta X , su funcion de probabilidad es aquella que le asigna
probabilidades a cada valor que pueda tomar X .
 Para un espacio muestral, E de la variable aleatoria X consta de los valores x 1 , x 2 ⋯ xn y
probabilidades P1=P ( X =x 1) , P2=P ( X =x 2 ) , Pn=P (X=x n ).
 Se denota por P ( x ) : R → R , es una funcion definida en los números reales que tomara
valores reales no negativos.
 Se define Pn=P( X=x n ). En cualquier otro caso es 0.
  Gráficamente se representa con un diagrama de barras. En el eje X colocamos los
diferentes valores de la variable aleatoria y en el eje Y las posibilidades también se pueden
representar en una tabla.

Propiedades Función de Probabilidad

 Es una función no negativa P ( x ) ≥ 0

 La sumatoria de los valores no negativos de la función debe valer 1. ∑ P ( x )=1
x

Para calcular las probabilidades usamos la siguiente formula

Si A ⊆ R , entonces P ( X ∈ A )= ∑ P(x). Donde A es un subconjunto de números reales, la
x∈ A
probabilidad de que la V.A tome un valor de A es la sumatoria de la función de probabilidad donde
x toma un valor de A.

Función de Masa de Probabilidad de X = Suma de dos dados

X P( x )
2 1/36
3 2/36
4 3/36
5 4/36
6 5/36
7 6/36
8 5/36
9 4/36
10 3/36
11 2/36
12 1/36

1 1 2
 P ( 2 )=( 1,1 )= ; P ( 12 )=( 6,6 )= ; P ( 3 )=( 1,2 ) + ( 2,1 )=
36 36 36
La distribución de probabilidad de una variable aleatoria discreta debe cumplir con las siguientes
propiedades:

1. Para cualquier valor de la variable aleatoria X , P ( x ) ,es un valor entre 0 y 1.

2. Para encontrar la probabilidad que toma valores de a o b, se suman P ( a ) + P(b), ya que
cada valor individual de la variable aleatoria X es un evento mutuamente excluyente.
3. Como cada elemento del espacio muestral está asignado a un valor de X , la suma de las
probabilidades en la distribución de probabilidad debe sumar 1.

Función de Densidad
Cuando X es una variable aleatoria continua, decimos que la f ( x ) :R ⊆ R es la función de densidad
si X no es negativa, es integrable y para cualquier intervalo (a , b) ⊆R :
b
p [ X ∈ ( a , b ) ]=∫ f ( x ) dx La probabilidad se calcula con la integral de la función.
a

Función de Distribución

Esta función representa la probabilidad de que la variable aleatoria X sea menor o igual a
cualquier valor a y que sea igual a la suma de todas las probabilidades de X que son menores o
iguales a .

F ( a )=∑ P( X=x)
x≤ a

La función de distribución esta definida en todos los valores desde menos infinito hasta infinito

Esta funcion es útil para calcular la probabilidad de un evento como por ejemplo:

Evento: Por lo menos un 7

Va desde el valor mas bajo (7) hasta el mas alto posible (12).

6 5 4 3 2 1 21
P ( 7 ≤ x ≤12 )=P ( X =7 ) + P ( X=8 ) + P ( X=9 )+ P ( X=10 ) + P ( X=11 ) + P ( X=12 ) ; + + + + + =
36 36 36 36 36 36 36
Evento: Menos de 7

7 es el valor máximo permitido pero no esta incluido por lo tanto:

1 2 3 4 5
P ( X <7 ) =P ( X=2 ) + P ( X=3 ) + P ( X=4 ) + P ( X=5 )+ P ( X=6 ) ; + + + + =0.42
36 36 36 36 36
Cuando un evento dice por lo menos x, el complemento del mismo estaría en el evento menos de
x.

Evento: Como máximo 10

10 es el valor máximo permitido y esta incluido en la respuesta. La probabilidad va desde el valor

mas bajo hasta 10.

1 2 3 4 5 6 5 4 3
P ( 2≤ X ≤10 )=P ( X=2 )+ P ( X =3 ) …+ P ( X=9 ) + P ( X=10 ) ; + + + + + + + + =0.92
36 36 36 36 36 36 36 36 36
Evento: Por lo menos 10

Quiere decir todo los que esta por encima del 10 sin incluir el 10, es decir 11 y 12.

2 1
P ( X >10 ) =P ( X =11 ) + P ( X =12 ) ;+ + =0.08
36 36
Función de Distribución para X = Suma de Dos Dados
X F (x)
X <2 0%
Como interpretar la función de
2 ≤ X <3 1
o 2.9 % distribución
36
3 ≤ X <4 3
o 8.3 %
36
4 ≤ X <5 6 La función de distribución es
o 16.7 % especialmente útil para encontrar
36
5 ≤ X <6 10 probabilidades que estén expuestas en
o 27.7 % términos de menor que, mayor que o
36
6 ≤ X <7 15 entre dos valores de la variable aleatoria.
o 41.7 %
36 Problemas con Menor, menor o igual,
7 ≤ X <8 21
o 58.3 % mayor, mayor o igual
36
8 ≤ X <9 26 1. : es 72.2%, nos indica
o 72.2 %
36
9 ≤ X <10 30
o 83.3 %
36
10 ≤ X <11 33
o 91.7 % P ( X ≤8 )
36
11≤ X <¿12 35
o 97.2%
36
X >12 36
o 100 %
36

que el valor máximo es 8 y está incluido.

2. P( X < 8) : para encontrar esta probabilidad usamos número entero más cercano.
P ( X ≤7 )=58.3 %
3. P( X ≥ 5): quiere todos los valores que sean mayores o iguales a 5, para poder usar la
función de distribución debe reescribirse como P ( X ≥5 )=1−P ( X ≤ 4 ) ; 1−16.7=83.3
4. P( X > 5) : todos los datos que sean mayores a 5 sin incluirlo. Utilizamos la regla del
complemento P ( X <5 ) =1−P ( X ≤5 ) =72.3 %
 El complemento de “menor o igual a x” es “mayor que x”.
 El complemento de “menor que x” es “mayor o igual a x”.
 El complemento de “mayor o igual a x” es “menor o igual a x-1”.
 El complemento de “mayor que x” es “menor o igual que x”.

Problemas con valores entre intervalos

5. P ( 5< X <8 )=P ( X <7 ) −P ( X <5 )=0.31 Como no son inclusivos, no se toma ni el valor de
5 ni el 8, se sustraen los dos valores para encontrar el área entre ambos lo que representa
nuestra respuesta.
6. P ( 5≤ X ≤ 8 )=P ( X ≤ 8 )−P ( X ≤ 4 )=0.56 En este caso si incluimos los valores de 8 y 5 ya
que es menor o igual que X.
 7. P ( 5≤ X < 8 )=P ( X =7 )−P ( X =4 )=0.42 Es una mezcla de los dos anteriores, no
tenemos en cuenta el 8 (problema 5) y si tomamos en cuenta el 5 (problema 6).
 El complemento de estar entre a y b (sin incluir a o b) es menor o igual que a o mayor
o igual que b.
 El complemento de estar entre a y b (incluyendo a y b) es menor o igual que a -1 o
mayor o igual que b+1
 El complemento de estar entre a y b (incluyendo a pero no b) es menor o igual que a-1
o mayor o igual que b.

Valor Esperado, Varianza y Desviación Estandar de una Variable Aleatoria Discreta

Valor Esperado:

 El valor esperado es el promedio ponderado de los resultados de un experimento. Su

notación es E( X) .
 Su formula es ∑ xp( x ). Para hallarlo multiplicamos el valor de la V.A. (X) Por su
todo x
probabilidad, hacemos estos para todos los posibles valores de la V.A. y se suman los
resultados.

Varianza:

 La varianza de una variable aleatoria es cuanto cambian los resultados después de repetir
el experimento infinitas veces. Se denota como V ( X ) .
2 2 2
 Y su formula es V ( X )=σ =E [ ( X −μ ) ]= ∑ p(x)( x −μ)
todo x

Para calcularla debemos:

1. Para cada valor de X debemos restarle E ( X ) tambien conocidocomo μ

2. Elevamos al cuadrado la diferencia
3. Para cada valor de X debemos multiplicarlo por su probabilidad correspondiente
4. Sumamos todoslos resultados de cada valor de X
Una manera mas rápida de calcular la varianza es V ( X )=σ 2=E( X )2−μ2, es decir el valor
esperado de X 2 menos el cuadrado del valor esperado de X.

Para encontrar el valor esperado de X 2 debemos:

1. Elevar al cuadrado el valor de X

2. Multiplicar el resultado por su probabilidad , P ( x ) .
3. Para cada valor de X repetimos los pasos anteriores .
4. Se suman losresultados
Una ves tenemos E( X)2 debemos hacer lo siguiente:

1. Encontrar E( X)2
2. Encontrar E ( X ) o μ
3. Elevamos al cuadrado el valor esperado μ2
 4. Hacemos la resta E( X)2 −μ 2

Para calcular la desviación estándar tomamos la varianza y le sacamos la raíz cuadrada.

Distribucion Uniforme Discreta:

Una variable aleatoria tiene una distribución discreta uniforme si cumple con las siguientes
condiciones:

 Los posibles valores de la V.A. son números enteros consecutivos desde a hasta b
(inclusivos).
 Cada posible valor de la V.A. tienen una probabilidad equivalente.

La funcion de probabilidad de una distribución discreta uniforme es:

1
 P ( x) = , para a≤ x ≤ b
b−a+ 1
La función de distribución de una discreta uniforme es:

0 , para x < a

{
F ( x )= x −a+1 , para a ≤ x ≤ b
b−a+1
1 , para enteros x ≥ b

Valor Esperado de una uniforme discreta:

b+a
 representa el punto medio entra a y b.
2
Varianza y desviación estándar de un discreta uniforme

( b−a+2)(b−a)
 V ( X )=
12
 σ=
√
(b−a+2)(b−a)
12

Distribución Binomial

Para que una variable aleatoria tenga una distribución binomial dicha situación debe cumplir con
las siguientes condiciones:

1. Se tiene un numero determinado de intentos para un experimento aleatorio, n es el

numero de intentos.
2. Los resultados de cada experimento pueden clasificarse como éxito o fracaso.
3. La probabilidad de éxito es la misma para cada intento.
p Es la probabilidad de exito y 1− p es la probabilidad de fracaso .
 4. Cada intento es independiente, el resultado de un intento no afecta el resultado del
siguiente.

Función de probabilidad para una binomial:

( nx) p ( 1− p)
x n−x
donde

 n es el numero de intentos
 x es el numero determinado de casos exitosos
 n−x es el numero de intentos fallidos
 p es la probabilidad de exito en cualquier intento
 1− p es la probabilidad de fracasos en cualquier intento