Teoría de las Probabilidades

La
Probabilidad
Introducción
Cada fenómeno del mundo que nos rodea se halla enlazado más o menos
estrechamente, con un conjunto infinito de otros hechos. Toda ciencia
estudia solamente cierto número finito de vínculos.

La teoría de las probabilidades se caracteriza por el amplio campo de

aplicaciones que posee, el cual se extiende a todas las ramas de las ciencias
naturales, la tecnología y las ciencias sociales afectados por una infinidad de
vínculos no previstos.

Esto se debe a que la teoría de las probabilidades permite estudiar y "medir la

incertidumbre” que forma parte de casi todo lo que ocurre a nuestro alrededor.

De hecho, ya sea por falta de instrumentos de medición adecuados o precisos,

por desconocimiento de las leyes que rigen los fenómenos o por no poder
manejar todas las variables que intervienen en los mismos, normalmente nuestro
conocimiento de la realidad circundante es sólo parcial; siendo la parte que
ignoramos muy relevante, y en ciertos casos de vital importancia.
Breve reseña histórica

El inicio de la teoría de las probabilidades se produce oficialmente a mediados del

siglo XVII y está estrechamente relacionado con los juegos de azar; los cuales, en
la sociedad francesa de 1650, eran una actividad generalizada entre las personas
adineradas.

Entre los jugadores, surgían al mismo tiempo preguntas relacionadas con métodos
que permitieran medir el riesgo en una determinada apuesta. Uno de estos
jugadores, De Meré, consultó en Paris con el famoso matemático y filósofo Blaise
Pascal sobre algunas de estas preguntas.

Esto originó una famosa correspondencia entre Pascal y algunos de sus amigos
matemáticos de la época, entre quienes se encontraba Pierre Fermat.
En 1812 Pierre Laplace publicó Théorie analytique des probabilités en el que
expone un análisis matemático sobre los juegos de azar.

Desde los orígenes la principal dificultad para poder considerar la probabilidad como
una rama de la matemática fue la elaboración de una teoría suficientemente precisa
como para que fuese aceptada como una forma de matemática.

A principios del siglo XX el matemático ruso A. Kolmogorov la definió de forma

axiomática y estableció las bases para la moderna teoría de la probabilidad que en
la actualidad es parte de una teoría más amplia como es la teoría de la medida.

(1821-1894) (1886-1971) (1903-1987)

Algunas aplicaciones

❑ Memorias de computadores: Se necesita el diseño de una

memoria para almacenar una palabra de k-bits. ¿Cómo
caracterizar la efectividad de la memoria?
❑ Sistemas de comunicaciones óptico. Número de
fotoelectrones ⇒Poisson
❑ Comunicaciones inalámbricas. Ruido ⇒Gaussiano
❑ Variabilidad en circuitos electrónicos. Intervalos de
confianza.
❑ Redes de tráfico de computadores. Cadenas de Markov.
Aplicaciones
• Investigación de la confiabilidad de sistemas sobre la base de la de sus
componentes individuales.
• Determinación de las dimensiones de equipos de servicio.
• Realización de controles de calidad en el marco de producciones masivas.
• Problemas que se relacionan con el movimiento de las partículas elementales.
• Análisis y administración del riesgo.
• Evaluación de proyectos de inversión.
• Seguros: establecer primas, control de siniestros.
• Las leyes de Mendel en la biología.
• Las leyes de los gases en la química y la física.
• Diseño de experimentos
• Paleontología forense.
• Simulación por el método de Montecarlo, etc.
 Modelo Probabilístico.
Dado un fenómeno se formula un modelo matemático que lo aproxime, del estudio de
este modelo se sacan conclusiones que son aplicadas a la situación real.

Caída libre de un
cuerpo.

Tiempo de espera
en un servicio

Un experimento aleatorio () es una acción que puede ser repetida bajo las mismas
condiciones tantas veces como se quiera; del cual se conocen todos los resultados
posibles sin que se pueda predecir con exactitud el resultado que se obtendría en la
siguiente repetición.

Las mismas causas dan lugar a resultados diferentes.

El espacio muestral () asociado a un experimento aleatorio es el conjunto de los
posibles resultados del experimento.

Un espacio muestral se dice discreto si posee una cantidad finita o numerablemente

infinita de elementos. En caso contrario se dice que el espacio muestral es
continuo.

Ejemplo 1
: Se lanzan dos dados, uno rojo y uno verde, simultáneamente y se anota el
resultado.

El espacio muestral asociado a este experimento es el conjunto:

Este espacio puede también ser representado como

Ejemplo 2
: Se lanza una moneda dos veces y se anota el resultado de cada lanzamiento.

El espacio muestral es el conjunto

Ejemplo 3
: Observar los resultados al lanzar una moneda hasta obtener cara

El espacio muestral es el conjunto, infinito numerable

Ejemplo 4
: En una fábrica se toma uno de los artículos producidos y se prueba para
determinar si es defectuoso. En este caso el espacio muestral se puede escribir
como  = {B, D} donde B significa bueno y D defectuoso. Si en cambio se extraen
n artículos y se prueban, el espacio muestral puede ser representado por el
conjunto

donde i = 0 si el i-ésimo artículo está bueno y  = 1 si el i-ésimo artículo está

defectuoso.
Ejemplo 5
: Se escoge un punto al azar lanzando un dardo a un disco de un metro.

El espacio muestral es en este caso el conjunto de puntos del plano que se

encuentran dentro de la circunferencia de radio 1, es decir:

Observación
Toda medición (por ejemplo, de una longitud, un ángulo, un tiempo, una magnitud
física), puede concebirse como un experimento aleatorio. De una parte, las
mediciones realizadas en un mismo objeto son, por lo general, diferentes a causa de
las insuficiencias del observador para llevarlas a cabo con precisión una y otra vez.

Por otra parte, las mediciones realizadas en varios objetos iguales conducen también
a resultados distintos, como consecuencia de las diferencias existentes entre estos.
Un evento asociado a un experimento es un subconjunto del espacio muestral,
esto es un conjunto de resultados.

Ejemplo 6

 : Clasificar 3 Declaraciones Juradas como: Correctas (C) o Incorrectas (I)

El espacio muestral es:

 = { CCC, CCI, CIC, ICC, CII, ICI, IIC, III }

Eventos

A: Obtener 2 declaraciones incorrectas ~ A= {CII, ICI, IIC}

B: A lo más una declaración correcta ~ B= { CII, IIC, ICI, III }

Ejemplo 7

: Lanzar dos dados (o un dado dos veces) y sumar la puntuación obtenida.

 = {2, 3, 4, 5, 6, 7, 8, 9, 10, 11,12}

A partir de dicho conjunto podemos considerar distintossubconjuntos:

A = {2, 4, 6, 8, 10, 12} = {obtener suma par}

B = {2, 5, 7, 11} = {obtener una suma que sea número primo}
C = {10, 11, 12} = {obtener una suma mayor o igual que 10}
D = {3, 6, 9, 12} = {obtener suma múltiplo de 3}
F = {2, 3} = {que la suma que sea 2 ó 3}
Ø = {obtener una suma mayor que 15} suceso imposible
E = {Obtener una suma mayor o igual que 2 y menor o igual que 12} suceso seguro
M = {7} = {Obtener un 7} suceso elemental
Ejemplo 8
: Tiempo de espera hasta que un cliente sea atendido
El espacio muestral es:

 = { t / t >o }

Eventos

A: El tiempo de espera es superior a 15 minutos

B: El tiempo no sobrepasa los 10 minutos.

Observación
- Un tirador dispara al blanco, dividido en cuatro zonas. El disparo es el
experimento. El impacto en una zona determinada del blanco es el suceso.
- En una urna hay bolillas de color. De la urna tomamos al azar una bolilla. La
extracción de bolilla de la urna es el experimento. La aparición de una bolilla
de un color determinado es el suceso.
Ejemplo 9
: Palabras que contiene n bits en memorias de computadores:
El espacio muestral es:

Ejemplo 10
: Variabilidad en circuitos electrónicos: En un filtro RC. R y C no son
exactos, tolerancia de 5% en R y 6,25% en C.
El espacio muestral es:
 Tipos de sucesos aleatorios

Los sucesos se llaman excluyentes si la producción de uno de ellos excluye

la aparición de los demás suceso en un mismo experimento.

Ejemplo 11
De una caja de piezas se ha extraído una de ellas. La aparición de la pieza
estándar elimina la de la pieza no estándar. Los sucesos de “aparición de la
pieza estándar” y de “aparición de la pieza no estándar” son mutuamente
excluyentes.

Ejemplo 12
Se ha arrojado una moneda. La aparición de cara excluye la aparición de cruz.
Los sucesos “aparición de cara” y “aparición de cruz” se excluyen
mutuamente.
Los sucesos se llaman únicamente posibles, si la aparición en el resultado
del experimento uno y solamente uno de ellos es un suceso cierto.

Ejemplo 13
Se ha adquirido dos billetes de lotería: Indefectiblemente ocurrirá uno y
solamente uno de los siguientes sucesos: el premio cayó en el primer billete y
no en el segundo, salió premiado el segundo billete, el premio cayó en ambos
billetes, ninguno de los billetes fue premiado. Estos sucesos son los únicos
posibles.

Ejemplo 14
Un tirador disparó al blanco. Obligatoriamente ocurrirá uno de los siguientes
sucesos: impacto o tiro perdido. Estos sucesos son los únicamente posibles.
Los sucesos se llaman igualmente posibles, si existe razón para suponer
que ninguno de estos sucesos tiene más posibilidad que los demás.

Ejemplo 15
La aparición de cara y la aparición de cruz son suceso igualmente posibles. En
efecto, se supone que la moneda está hecha de un material homogéneo, tiene forma
perfectamente cilíndrica y la acuñación no influye en la caída en uno u otro lado de
la moneda.

Ejemplo 16
La aparición de uno u otro número de puntos al tirar el dado son suceso igualmente
posibles. En efecto, se supone que el dado está hecho de un material homogéneo,
tiene forma de poliedro regular y la existencia de los puntos no influye en la caída de
una u otra cara.
 Operaciones con eventos

Unión o reunión de eventos

La unión se lee: Al menos uno de los dos eventos A, B ocurren. También

cuando el suceso unión de A con B es el suceso que ocurre cuando A o B o
ambos simultáneamente ocurren.
Intersección de eventos

La intersección se lee: Ambos eventos A, B ocurren simultáneamente.

Si A∩B = Ø, decimos que A y B son mutuamente excluyentes.
Diferencia de eventos

Observe que: A – B = A∩Bc

La diferencia A − B se lee: Ocurre A y no ocurre B.

 Diferencia simétrica.

El suceso E, diferencia simétrica de A con B es el suceso que ocurre cuando A

ocurre o cuando B ocurre pero ambos no ocurren simultáneamente. Se escribe:
E = AΔB.
 Eventos Especiales

Suceso Seguro ()

Es aquel que siempre ocurre. Es fácil ver que suceso seguro y espacio
muestral son lo mismo (para que sea seguro debe tener todos los resultados
posibles del experimento).

Suceso imposible
Es aquel que nunca ocurre. Se designa por la letra ∅.

Suceso contrario del suceso A

Sea A un suceso. El suceso contrario de A es aquel que ocurre cuando A no
ocurre. Se designa por CA, Ac o A´.
La unión y la intersección de múltiples sucesos se define de forma
similar:

Sea A1, A2, …, An, … una sucesión de sucesos. Sean los sucesos B,
C (y sus contrarios) siguientes:

leyes de
De
Morgan.
También son válidas las relaciones siguientes (leyes distributivas):
Algunas consideraciones básicas con sucesos que serán
útiles para la resolución de problemas

• Sucesos incompatibles y complementarios

Si A es un suceso de un determinado experimento aleatorio cuyo espacio muestral es
, entonces A y su complementario son incompatibles, es decir (A y Ac ) = Ø
(excluyentes). Además (A oAc ) = 

Si lanzamos un dado y A es el suceso A = {obtener múltiplo de 3} = {3, 6} entonces Ac

= {no obtener múltiplo de 3} = {1, 2, 4, 5} por lo que (A o Ac ) = {1, 2, 3, 4, 5, 6} =
 y (A y Ac ) = Ø

•Dos sucesos complementarios son incompatibles, pero el recíproco no es

cierto
Es decir dos sucesos incompatibles no tienen por qué ser complementarios. Por
ejemplo, los sucesos A = {obtener múltiplo de 3} = {3, 6} y B = {obtener múltiplo de 5}
= {5} son incompatibles pero no complementarios.
 Definiciones de Probabilidades

Definición de Laplace, Clásica, A Priori, Probabilidad

Analítica o Lógica: Sea  un espacio muestral finito
equiprobable. La probabilidad de un evento se define:
Número de casos favorables
probabilidad =
Número de casos total

Este enfoque se basa en espacios muestrales probables, en situaciones que tienen

resultados igualmente probables. Ejemplo: juegos de azar, etc.
Ejemplo: Lanzamiento de monedas
Cinco monedas se lanzan simultáneamente. Encuentra la
probabilidad del suceso A: Al menos sale una cara.
Asumimos que las monedas no está cargadas.

Solución

La probabilidad de que una moneda salga cara es 1/2 y de

que salga cruz 1/2. Puesto que cada lanzamiento es
independiente, la probabilidad de que salgan 5 cruces
(ninguna cara) será:
Probabilidad de que salga cruz

 
5
1 1 1 1 1 1 1
P(Ac ) =     =   =
2 2 2 2 2  2 32
31
P( A) = 1− P( Ac ) =
32
Ejemplo: Consideremos el siguiente sistema:

¿Cómo calcularía la probabilidad de que el sistema funcione?

Solución
LLamamos F={La componente funciona}. Analizamos cada
una de las componentes. El espacio muestral es:
 Sin embargo la fórmula no funciona, por ejemplo, en los casos siguientes

Ejemplo:

Se tira al azar un chinche. Puede caer en las posiciones A o B de lafigura:

Los casos totales son 2, con 1 caso favorable. ¿Es correcto poner P(A) = ½ ?
 Definición como frecuencia relativa
Ley de la Regularidad Estadística, que afirma que
cuando un experimento aleatorio se repite
indefinidamente, la frecuencia relativa con la que se da
un determinado suceso tiende a estabilizarse en torno
a un valor. Ese valor en el que se estabiliza la
frecuencia relativa es el que tomaremos como
probabilidad del suceso.

Desde un punto de vista

práctico, la frecuencia relativa
es el único procedimiento
empírico para obtener
probabilidades de los
fenómenos repetitivos.
Definición frecuentista
Si un experimento se repite n veces y nA resultados son favorables a un suceso
A, el límite cuando n es suficientemente grande (n −> ∞) se toma como
probabilidad de A. Esta definición relaciona probabilidad con frecuencia relativa.

Desde un punto de vista práctico, la frecuencia relativa es el único

procedimiento empírico para obtener probabilidades de los fenómenos
repetitivos.

La definición supone que el número total de repeticiones del experimento es

infinito, lo cual no se puede alcanzar en la práctica, luego la estabilidad de las
frecuencias es un enunciado imposible de demostrar matemáticamente. En la
práctica hay que reemplazar n por un número “grande”.
Ejemplo
Si la probabilidad de que el parking de la escuela tenga
100-209, 210-309, 310-400 y > 400 coches es 0.20, 0.35,
0.25, 0.12 respectivamente. ¿Qué probabilidad hay de que
el parking tenga al menos 100 coches, pero menos de
401?

Solución
Puesto que los sucesos favorables 100-209, 210-309 y
310-400 son mutuamente excluyentes:

0,20 + 0,35 + 0,25 = 0,80

Hasta ahora se han tratado sucesos equiprobables del espacio muestral,
pero qué ocurriría si jugásemos con un dado trucado.

Ejemplo, ¿cuál sería la probabilidad de obtener número primo con un

dado trucado, de tal forma que la probabilidad de obtener una
determinada cara fuese proporcional a la numeración de dicha cara? En
este caso los sucesos del espacio muestral no son equiprobables y no
podemos aplicar la regla de Laplace.

p(A1) = 1 k
p(A2) = 2 k
p(A3) = 3 k
p(A4) = 4 k
p(A5) = 5 k
p(A6) = 6 k
primos
¿Qué probabilidad asignamos a cada suceso del espacio muestral?
Normalicemos:

1 = p(E) = p(A1  A2  A3  A4  A5  A6) =

p(A1) + p(A2) + p(A3) + p(A4) + p(A5) + p(A6) = 21 k

de donde k = 1/21 y resulta:

p(A1) = 1 k = 1/21, p(A2) = 2 k = 2/21
p(A3) = 3 k = 3/21, p(A4) = 4 k = 4/21
p(A5) = 5 k = 5/21, p(A6) = 6 k = 6/21

p(A) = p("obtener número primo") = p(A2  A3  A5) =

= p(A2) + p(A3) + p(A5) =
= 10/21 = 0,476
Ejemplo:
Si lanzamos una moneda 5 veces y en esas 5 veces se obtienen 4
caras, no podemos decir que la probabilidad de obtener una cara en
un lanzamiento es 4/5. Sin embargo, si lanzamos la moneda un
número de veces suficientemente grande los resultados se van
estabilizando,

Ejemplo:

Consideremos el lanzamiento de 1 moneda en 10 ocasiones, si hay

8 caras y 2 sellos. ¿Cuál es la probabilidad en cada caso?

Solución

La probabilidad es de 8/10 y 2/10 respectivamente. ¿Existe razones

para afirmar que la moneda está sesgada?
Ejemplo:
Los resultados obtenidos de 266 muestras de aire se clasifican
según la presencia o no de dos moléculas raras. En 212 muestras
de aire no hay ninguna de esas moléculas, en 24 sólo está
presente la molécula 1, en 18 sólo la molécula 2, y en 12 están
presentes las dos simultáneamente. Definimos los siguientes
sucesos:
A = En la muestra está presente la molécula 1
B = En la muestra está presente la molécula 2

Los datos tabulados son:

Calcular las siguientes probabilidades:

a) Probabilidad de encontrar en una muestra la molécula 1

b) Probabilidad de encontrar en una muestra la molécula 2

c) Probabilidad de que una muestra presente las dos moléculas

d) Probabilidad de que una muestra presente alguna de las moléculas

e) Probabilidad de que ninguna de las moléculas esté presente

f) Probabilidad de que sólo esté presente la molécula 1

g) Probabilidad de que sólo esté presente la molécula 2

 INTERPRETACIÓN BAYESIANA O
SUBJETIVA
• Apreciación personal de la probabilidad de un suceso.
• Hay una probabilidad del 60% de que llueva este fin de
semana.
• Tenemos un 50% de posibilidades de que salga
adelante este proyecto.
• ¿Cuál es la probabilidad de que el próximo año haya
una recesión económica?
 DEFINICIÓN AXIOMÁTICA
Se llama probabilidad a cualquier función P que asigna a cada suceso A del
espacio muestral  un valor numérico P(A), verificando los siguientes
axiomas:
1. P(S1) ≥ 0
2. P() = 1
3. Dados S1 y S2, tales que S1 S2 = Φ , entonces:
P( S1  S2) = P(S1) + P(S2)
Sin embargo para espacios muestrales infinitos numerables, se hace necesario
realizar una extensión al axioma 3. En rigor:
Axioma 3` Para cualquier sucesión infinita de eventos mutuamente
excluyentes, E1, E2, ..., se tiene que Observación: El sistema de
axiomas es incompleto, en el
sentido que no nos dice cómo

  
calcular la probabilidad de un

P  ∪ Ei  =  P(Ei )
suceso A. En la práctica se
debe adaptar la definición de P
 i=1  i=1 al fenómeno que se desea
estudiar, utilizando el buen
sentido y una de las fórmulas
que hemos discutido.
 La Teoría de la Probabilidad, como disciplina
matemática, puede y debe ser desarrollada a partir de
unos axiomas, de la misma manera que la Geometría o el
Álgebra.

Andrei Kolmogorov, Foundations of the Theory of

Probability.

Kolmogorov, 1933
Necesidad de una axiomática.

El cálculo de probabilidades proviene de un axiomática (desarrollada por

Kolmogorov, en 1933). No se buscará definir lo que es una probabilidad “en si”, de la
misma manera que en geometría no se define lo que es un punto o una recta “en si”, o
en teoría de los espacios vectoriales, en que no se define lo que es un vector “en si”.
La noción de espacio vectorial está ligada a un conjunto de relaciones o axiomas que
los vectores deben verificar por definición.

Una vez establecidos los axiomas, la teoría se construye de manera deductiva, sin
recurrir a la intuición o al control experimental.

En principio, cualquier sistema de axiomas (siempre que no sean contradictorios entre

sí), puede servir para construir una teoría matemática, sin embargo los “buenos”
axiomas son el producto de una fuerte reflexión de la mente, a través de generaciones
humanas, cuyo objetivo constante es reducir lo más simple y general posible, las
observaciones de la experiencia sensible. No es sorprendente entonces encontrar en
la naturaleza objetos o fenómenos que verifican bien los “buenos” axiomas, y, por
consiguiente, todas las deducciones de la teoría son aplicables a estos objetos o
fenómenos.
Observación:

El sistema de axiomas es incompleto, en el sentido que no nos dice cómo calcular

la probabilidad de un suceso A. En la práctica se debe adaptar la definición de P al
fenómeno que se desea estudiar, utilizando el buen sentido y una de las fórmulas
que hemos discutido.

Entonces, dependiendo de las condiciones del problema, se calculara la

probabilidad de un suceso A por :

(siempre que todos los casos (muestras) (Espacios muestrales

sean equiprobables) Geométricos)

Es fácil de ver que estas fórmulas satisfacen bien los axiomas de las
probabilidades.
En los problemas de probabilidades geométricas, se calculará P(A) como una razón
entre longitudes, áreas o volúmenes:

Ejemplo
Se dispara un punto al azar (es decir sin apuntar) dentro del círculo con radio r
(figura siguiente). Calcular la probabilidad de impactar un círculo concéntrico con
radio r / 2.

Solución
Vemos que el número de casos totales y favorables es infinito, sin embargo resulta
razonable que la probabilidad de impactar dentro del círculo interior se calcula por
razón de áreas:

¿Qué definición de probabilidad es?

 Propiedades

1. P() = 0
2. P(F  EC ) = P(F ) − P(E  F)
3. P(EC ) = 1− P(E)
4. P(E  F) = P(E) + P(F ) − P(E  F)
5. Si F  E  P(F ) P(E)
6. Si F  E  P(E  F C ) = P(E) − P(F )
7. P(E1  E2   En ) = P(E1 ) + P(E2 ) + + P(En )
si Ei  E j =  para i  j P es finitamente aditiva
Observación
Existe una estrecha analogía entre el área relativa y el concepto de probabilidad..
Sean, en la figura siguiente: a, b, c, …, f las áreas relativas de los elementos
disjuntos:

Se tiene entonces:
 8.
Prob. de que al menos uno de los tres sucesos ocurra.

9.

10. Prob. de que exactamente uno de los dos sucesos ocurra.

11.
Prob. de que exactamente uno de los tres sucesos ocurra.

12.

Prob. de que exactamente uno de los n sucesos ocurra.

Ejemplo
Una secretaria ineficiente coloca n cartas diferentes en n sobres con destinos
diferentes aleatoriamente. Hallar la probabilidad de que al menos una de las
cartas llegue a la destinación apropiada.

Solución

Denótense por A1, A2,…,An, los sucesos primera, segunda,…,n-ésima carta se

encuentra en el sobre correcto. Entonces el suceso al menos una carta en el sobre
correcto es: A1  A2 … An y deseamos hallar P(A1  A2 …An),

Tenemos:

de los n sobres solamente 1 tendrá la dirección apropiada:

También

Similarmente

y así sucesivamente

Entonces en la suma

Análogamente
Por tanto, la probabilidad pedida es:

n grande
Ejemplo
Durante el primer año de uso, un equipo de radio puede requerir tres tipos de
reparaciones con probabilidades correspondientes a 0.05, 0.04 y 0.02. ¿Cuál es la
probabilidad que un equipo de radio seleccionado al azar requiera reparación durante
su primer año de uso? Cada tipo de reparación es independiente de los otros dos.

Solución

Definimos los siguientes eventos:

:
Ei = “el amplificador seleccionado requiere reparación del tipo i = 1, 2, 3”
E = “el amplificador seleccionado requiere reparación”
Ejemplo
Antoine Gambaud, Chevalier de Meré, planteó uno de los
problemas más antiguos de la teoría de probabilidad al
filósofo y matemático francés Blaise Pascal: ¿Qué es más
probable?
(a)Sacar al menos un 6 al tirar 4 veces un solo dado o
(b)sacar un 12 en 24 tiradas de 2 dados.
A pesar de que Pascal había renunciado a las matemáticas
por considerarlas una forma de deleite sexual (¡!), aceptó
resolver el problema:
Ejercicio
La probabilidad de contraer el SIDA se estima en 1/500 en
1 contacto heterosexual sin protección con alguien
enfermo. ¿Cuántos contactos son necesarios en promedio
para que la probabilidad de infección alcance el 50%?

Solución
1 499
P(no contagiarse en 1contacto) = 1− =
500 500
 499 
2
P(no contagiarse en 2 contactos) =  
 500 

 499 
n
P(no contagiarse en n contactos) =   = 0,5
 500 
Ln0,5
n=  346
Ln
499 

500
 
 Otras maneras de visualizar
sucesos
Tablas de contingencia:

Color
Palo Rojo Negro Total
As 2 2 4
No-As 24 24 48
Total 26 26 52

Diagramas en árbol: As
Cartas
Rojas No As
Baraja Cartas As
Negras No As
CALCULO DE PUNTOS MUESTRALES

Diagrama del árbol: Herramienta gráfica

: Observar dos declaraciones de impuestos
R = { declaración sin error }
Rc = { declaración con errores }
Ejemplo
Los artículos provenientes de una línea de producción se clasifican en defectuosos
“D” y no defectuosos “N”, se observan los artículos y se anota su condición. Este
proceso se continua hasta observar dos defectuosos consecutivos o hasta que se
observen tres artículos no defectuosos. Describir el espacio muestral asociado a este
experimento.

Solución

El diagrama del árbol que

representa los diversos
resultados posibles del
experimento está
representado en la figura
siguiente.

El espacio muestral entonces es:

 = {DD, DNDD, DNDNDD, DNDNDN, DNDNN, DNNDD, DNNDN, DNNN, NDD, NDNDD,
NDNDN, NDNN, NNDD, NNDN, NNN}
Ejemplo
Recordemos el restaurante de Emile. Supongamos que el 80% de los
clientes escogen sopa como entrante y el 20% zumo. De los que
escogen sopa, el 20% eligen vegetales, el 30% pescado y el 50%
carne. De los que escogieron zumo, es el 30%, 40% y 30% para
vegetales, pescado y carne respectivamente.
Podemos utilizar estos valores para
estimar las probabilidades
de los dos primeros platos
usando un diagrama
de árbol.
Ejemplo
Tres jugadores A, B y C arrojan al aire una moneda en ese orden, hasta que aparezca
una “cara” (gana quien la obtiene primero). ¿Cuales son las respectivas
probabilidades de ganar?

Solución
Sean los eventos :
GA = “gana el jugadorA”.
El espacio muestral es:
GB = “gana el jugador B”.
 = {C, SC, SSC, SSSC, SSSSC, SSSSSC,
Gc = “gana el jugador C”
SSSSSSC,…}
Ejemplo: Dilema del concurso televisivo.
En un concurso de televisión se le ofrece al concursante la posibilidad de elegir una
entre 3 puertas (A, B, C) para quedarse lo que hay tras ella. El presentador le informa
de que sólo una de ellas tiene un buen regalo (un departamento en las Casuarinas),
mientras que las otras dos están vacías. El concursante opta por una y tras decirlo, el
presentador (que conoce exactamente donde está el regalo) le abre una de las otras
dos puertas no elegidas por el concursante donde no está el regalo. Luego le ofrece al
concursante la opción de cambiar su decisión inicial eligiendo la otra puerta aún no
abierta. ¿Qué debe hacer el concursante? Es decir, ¿debe el concursante aceptar la
nueva posibilidad cambiando la puerta que eligió originalmente, o no?
Solución