2.

1 Introducción
2.2 Deniciones
2.3 Probabilidad
2.4 Técnicas de Conteo

Estadísticas I
Unidad 2: Probabilidades

Prof. Carlos Bustos-López.

UDD

2020

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones
2.3 Probabilidad
2.4 Técnicas de Conteo

Introducción

El concepto de Probabilidades no es ajeno a la vida cotidiana,

siempre estamos, de una forma u otra, utilizando las
probabilidades, por ejemplo, cuando nos preguntamos en la
mañana antes de salir de casa,  ¾lloverá o no?, lo hacemos
bajo un contexto determinado, es decir, si creemos que existen
posibilidades de que ese fenómeno ocurra.

Además de ciertas evidencias cualitativas que favorezcan el

realizar la pregunta, por ejemplo, si es invierno, si está
nublado, etc.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones
2.3 Probabilidad
2.4 Técnicas de Conteo

Introducción

Bajo lo anterior, uno trata de responder la pregunta en

condiciones de incerteza, asignando un valor a aquella
armación, es decir, sí , creo que lloverá , o simplemente no
creo que llueva .

Esta asignación subjetiva, le dará mayor, menor o igual peso a

cada una de las posibilidades.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones
2.3 Probabilidad
2.4 Técnicas de Conteo

La pregunta anterior y sus respectivas respuestas, nos permiten

determinar un conjunto de posibilidades y de respectivos
valores a cada una de las respuestas y que pueden ser distintas
de sujeto a sujeto.

La forma de medir, objetivamente, la ocurrencia de un

evento, dentro de todas las posibilidades que existen para ese
fenómeno, es a través de la medida de probabilidad.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.2.2 Espacio Muestral (Ω)
2.3 Probabilidad 2.2.3 Suceso o Evento
2.4 Técnicas de Conteo

Experimento (ξ )

Denición

Un experimento será aquel, que permite recopilar información sobre

algún evento o fenómeno que tengamos incerteza sobre su
comportamiento. Es decir, está involucrado el azar, por eso
denominamos a este experimento como aleatorio.

La idea de realizar un experimento es: si el experimento se

puede repetir una cantidad innita de veces, éste nos permitirá
descubrir la ley que sostiene sus resultados.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.2.2 Espacio Muestral (Ω)
2.3 Probabilidad 2.2.3 Suceso o Evento
2.4 Técnicas de Conteo

Ejemplo

Experimentos aleatorios.
1 El lanzar una moneda al aire y observar su resultado.

2 El lanzamiento de un dado cúbico y observar su resultado.

3 Sacar una carta de un mazo al azar y observar su resultado.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.2.2 Espacio Muestral (Ω)
2.3 Probabilidad 2.2.3 Suceso o Evento
2.4 Técnicas de Conteo

Espacio Muestral (Ω)

Denición

Es el conjunto de todos los posibles resultados de un experimento

aleatorio.

Se denota con la letra Ω.

Ejemplo

Espacio muestral de experimentos aleatorios.

1 Ω = {cara, sello}

2 Ω = {1, 2, 3, 4, 5, 6}
3 Ω = {As, 2, 3, 4, 5, 6, 7, 8, 9, 10, J, Q, K} × {♣, ♦, ♥, ♠}

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.2.2 Espacio Muestral (Ω)
2.3 Probabilidad 2.2.3 Suceso o Evento
2.4 Técnicas de Conteo

Suceso o Evento

Denición

Es un subconjunto del espacio muestral, el cual lo denotaremos con

letras mayúsculas. Es decir, A ⊆ Ω.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.2.2 Espacio Muestral (Ω)
2.3 Probabilidad 2.2.3 Suceso o Evento
2.4 Técnicas de Conteo

Suceso o Evento

Ejemplo

El experimento ξ= Lanzar un dado y observar sus resultados.

Espacio muestral Ω = {1, 2, 3, 4, 5, 6}.

Sucesos:
A= {Sale número impar}.
B = {Sale número par}.
C = {Sale un número menor o igual a 3}.

D= {Sale un número mayor o igual a 4}.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Probabilidad

La denición clásica (equiprobable) de probabilidad considera

lo siguiente (Regla de Laplace, 1774):

Denición

Si ξ es un experimento y Ω su espacio muestral asociado, siempre

que Ω esté formado por un número contable o numerable de
elementos; entonces, para un suceso A de Ω, se puede escribir la
probabilidad de que ocurra A, como:

Número de elementos de A CF (A) #(A)

IP(A) = = = .
Número de elementos de Ω CT (Ω) #(Ω)

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Sea el siguiente experimento ξ: Tirar un dado cúbico y

observar su resultado.

A: sale 2.

B: sale número par.

C: el número es menor o igual a 4.

Determinemos el espacio muestral:

Ω = {1, 2, 3, 4, 5, 6} ,

y los casos totales son:

CT (Ω) = 6 ,

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

ahora, los casos favorables para cada item:

CF (A) = 1.
CF (B) = 3.
CF (C) = 4.
y calculemos las respectivas probabilidades asociadas a estos
eventos:
CF (A) 1
IP(A) = CT (Ω) = 6.
CF (B) 3 1
IP(B) = CT (Ω) = 6 = 2.
CF (C) 4 2
IP(C) = CT (Ω) = 6 = 3.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

2.3.2 Axiomas

Sean Ω espacio muestral del experimento ξ, A un evento en

Ω, Ac el complemento de A y IP una medida de probabilidad.

1 IP(Ω) = 1, donde Ω se denomina evento seguro.

2 IP(Ω
c
) = IP(φ) = 0, donde φ se denomina evento imposible.

3 Si A ⊆ Ω, entonces: 0 ≤ IP(A) ≤ 1.
4 Si A ⊆ Ω, entonces A c ⊆ Ω, por lo tanto: IP(A
c
) = 1 − IP(A)
5 Sean A, B ⊆ Ω, entonces:

IP(A ∪ B) = IP(A) + IP(B) − IP(A ∩ B) .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Independencia

Denición

Dos eventos A y B en ω se dicen independientes

(estocásticamente), si la ocurrencia de uno de ellos no afecta la
ocurrencia del otro y viceversa, entonces la probabilidad de que
ocurra A y B está dada por:

IP(A ∩ B) = IP(A) · IP(B) .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Excluyentes

Denición

Dos eventos A y B en Ω se dicen excluyentes, si la ocurrencia de

uno de ellos impide la ocurrencia del otro y viceversa, entonces la
probabilidad de que ocurra A o B está dada por:

IP(A ∪ B) = IP(A) + IP(B) .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Dependencia

Denición

Dos eventos A y B en Ω, se dicen dependientes, si la ocurrencia

de uno de ellos entrega información respecto a la ocurrencia del
otro y viceversa.

IP(A ∩ B)
IP(A|B) = , IP (B) > 0 .
IP(B)

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Igualdad

Teorema

Note que, si A y B son eventos en Ω, entonces se cumple la

siguiente igualdad:

IP(A|B)IP(B) = IP(B|A)IP(A) .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Sea el siguiente experimento ξ: Sacar una carta de un mazo

de 52.

Además, sean los siguientes eventos:

A: Sale trébol.

B: Sale K.
Determinemos ahora sus respectivas probabilidades asociadas:
CT (Ω) = 52.
CF (A) = 13 =⇒ P (A) = 13 1
52 = 4 .
4 1
CF (B) = 4 =⇒ P (B) = 52 = 13 .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

a) Dtermine el evento sale el rey de trébol.

Lo anterior corresponde al evento A ∩ B, y la probabilidad de

su ocurrencia es:

1
CF (A ∩ B) = 1 =⇒ P (A ∩ B) = ,
52
pero la ocurrencia del evento A no afecta la ocurrencia del

evento B, luego, se tiene que:

1 1 1
P (A ∩ B) = P (A) · P (B) = × = .
4 13 52
∴A y B son eventos independientes.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

b) El evento Sale rey o sale trébol, tiene una probabilidad

asociada:

16
CF (A ∪ B) = 4 + 13 − 1 =⇒ P (A ∪ B) = ,
52
pero por el teorema, se tiene:

13 4 1 16
P (A ∪ B) = P (A) + P (B) − P (A ∩ B) = + − = .
52 52 52 52

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

c) Sea el evento C: Sale diamante, cuál será la probabilidad del

evento A ∩ C?
Notemos que la ocurrencia del evento C, impide la ocurrencia

del evento A, luego:

P (A ∩ C) = 0 .
∴A y C son eventos excluyentes.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de la Unión

Teorema

Sean A1 , A2 , . . . , An ⊆ Ω, entonces:

n n n n
!
[ X X X
IP Ai = IP(Ai )− IP(Ai ∩Aj )+ IP(Ai ∩Aj ∩Ak )
i=1 i=1 i<j i<j<k
n
!
\
− · · · + (−1)n+1 IP Ai
i=1

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de la Multiplicación

Teorema

Sean A1 , A2 , . . . , An eventos en Ω, entonces:

· IP(A2 ) · · · IP(An ) si los A0i s son independientes


 IP(A1 )

n
! 
\ 
IP Ai =
n−1 !
\
IP(A1 ) · IP(A2 |A1 ) · IP(A3 |A1 ∩ A2 ) · · · IP An  Ai
 
i=1 

 
i=1

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de Probabilidad Total

Denición

Sean los siguientes eventos Bi en Ω, i = 1, 2, . . . , n, se

con dirá
que son una partición del espacio muestral Ω, exhaustiva y
excluyente, si:

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de Probabilidad Total

Denición

Sean los siguientes eventos Bi en Ω, i = 1, 2, . . . , n, se

con dirá
que son una partición del espacio muestral Ω, exhaustiva y
excluyente, si:
n
[
1 Bi = Ω.
i=1
2 Bi ∩ Bj = φ, ∀ i 6= j .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de Probabilidad Total

Denición

Además, sea A un suceso cualquiera en Ω, de tal forma que

podemos escribir el suceso A como:

A = A ∩ Ω = A ∩ (B1 ∪ B2 ∪ · · · ∪ Bn )
n
[
= (A ∩ B1 ) ∪ (A ∩ B2 ) ∪ · · · ∪ (A ∩ Bn ) = (A ∩ Bi ) ,
i=1

entonces, utilizando

P (A ∩ Bi )
P (A|Bi ) = , ∀ i = 1, 2, . . . , n ,
P (Bi )

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de Probabilidad Total

Teorema

se tiene que:

n
!
[
P (A) = P (A ∩ Bi )
i=1

= P (A ∩ B1 ) + P (A ∩ B2 ) + · · · + P (A ∩ Bn )

= P (A|B1 )P (B1 ) + P (A|B2 )P (B2 ) + · · · + P (A|Bn )P (Bn )

n
X
= P (A|Bi )P (Bi ) ,
i=1

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Sea el siguiente experimento ξ: "Se lanzan dos dados cúbicos

equilibrados y se observan sus resultados", además se ha observado
que la suma T es impar. Determinar la probabilidad de que la suma
sea menor a 8.

Denamos los siguientes eventos:

A : T < 8, es decir, la suma es menor a 8.

B:T impar.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Entonces, el evento A∩B (la suma es menor que 8 y es

impar) tiene los siguientes elementos:

A ∩ B = {3, 5, 7} .

Además el espacio muestral Ω es el siguiente:

Dado 1
+ 1 2 3 4 5 6
1 2 3 4 5 6 7
2 3 4 5 6 7 8
Dado 2 3 4 5 6 7 8 9
4 5 6 7 8 9 10
5 6 7 8 9 10 11
6 7 8 9 10 11 12

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Entonces las probabilidades asociadas a los eventos son:

P (B) = 18 1
36 = 2 .

P (A ∩ B) = 12 1
36 = 3 .
Reemplazando se tiene que,

P (A ∩ B) 1/3 2
P (A|B) = = = .
P (B) 1/2 3

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Teorema de Bayes

Teorema

Si un espacio muestral Ω está formado por A1 , A2 , . . . , An

particiones y conocemos la ocurrencia de un suceso B , que está en
Ω; entonces para determinar la probabilidad de que un suceso
cualquiera de la partición ocurra dado que ocurrió B, está dado por:

P (B|Ai )P (Ai )
P (Ai |B) = n , con i = 1, 2, . . . , n .
X
P (B|Aj )P (Aj )
j=1

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

En la fabricación de un lote que artículos, intervienen tres

máquinas: M1 , M 2 y M3 .

Se sabe que el 20% de los artículos del lote provienen de M1 ,

el 30% de M2 y el resto de M3 .

Además, la máquina M1 produce un 1% de artículos

defectuosos, M2 un 2% y M3 un 3%.

Se selecciona un artículo al azar del lote y se observa que es

defectuoso. Determinar la probabilidad de que el artículo haya
sido fabricado por M2 .

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Denamos los siguientes eventos:

Ai : el artículo seleccionado proviene de la máquina Mi , con

i = 1, 2, 3.
B : el artículo es defectuoso.

Del enunciado se tiene que:

P (A1 ) = 0.2 , P (A2 ) = 0.3 , P (A3 ) = 0.5

P (B|A1 ) = 0.01 , P (B|A2 ) = 0.02 , P (B|A3 ) = 0.03

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Luego, la probabilidad pedida es:

P (B|A2 )P (A2 )
P (A2 |B) = 3
X
P (B|Ai )P (Ai )
i=1
0.02 × 0.3
=
0.01 × 0.2 + 0.02 × 0.3 + 0.03 × 0.5
0.006
=
0.023

≈ 0.26

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

Al implementar un proceso de fabricación de un artículo,

pueden ocurrir dos tipos de errores.

El 15% de las veces se presenta el error tipo A, el 20% de las

veces se presenta el error tipo B y el resto de las veces no se
han observado errores.

Además, no se han observado que se produzcan ambos errores

al mismo.

Se realizó una inspección, donde el 65% de los procesos que

presentan error tipo A, tuvieron éxito; el 50% de los procesos
con error tipo B, tuvieron éxito y el 80% de los procesos que
no presentaban ningún tipo de error, tuvieron éxito.

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción 2.3.1 Denición
2.2 Deniciones 2.3.2 Axiomas
2.3 Probabilidad 2.3.3 Deniciones de eventos
2.4 Técnicas de Conteo 2.3.4 Teoremas

Ejemplo

1 ¾Cuál es la probabilidad de que un proceso seleccionado al azar

tenga éxito?

2 Si el proceso fue un fracaso, ¾cuál es la probabilidad que se

deba al error tipo A?

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.4.1 Combinatoria
2.3 Probabilidad 2.4.2 Permutación
2.4 Técnicas de Conteo

Combinatoria

Denición

La cantidad total de formas de extraer k elementos entre n, sin

importar el orden en el cual son seleccionados, está dada por:

 
n n!
Ckn = =
k (n − k)!k!

Prof. Carlos Bustos-López. UDD Estadísticas I

 2.1 Introducción
2.2 Deniciones 2.4.1 Combinatoria
2.3 Probabilidad 2.4.2 Permutación
2.4 Técnicas de Conteo

Permutación

Denición

La cantidad total de formas de extraer k elementos entre n, cuando

importa el orden en el cual son seleccionados, está dada por:

 
n n!
Pkn = k! =
k (n − k)!

Prof. Carlos Bustos-López. UDD Estadísticas I