TEMA 1

Estadística Matemática
USFXCH

Elaborado :Lic. Marco A Sánchez L

Sucre-Bolivia
2013
Los conceptos básicos que debemos considerar
para introducirnos al calculo de las
probabilidades son:

 El Experimento aleatorio
 El espacio muestral
 Los eventos
 Operaciones con eventos
Los experimentos u operaciones reales se
dividen en dos:
1. Determinísticos si los resultados del experimento
están completamente determinados y pueden
describirse por una formula matemática llamada
también modelo determinístico.

Ejemplo: a un cuerpo de masa m en reposo se

somete a una fuerza constante F y el cuerpo se
moverá una aceleración constante
a =F/m (Segunda ley de Newton)
2. No Determinísticos: cuando los resultados
del experimento no pueden predecirse con
exactitud antes de realizar el experimento.
Ejemplos:
1: Lanzar una moneda y anotar la cara superior
2: Lanzar un dado y ver la cara superior
Los aspectos comunes en estos dos ejemplos
son los siguientes:
a) Cada experimento puede repetirse
indefinidamente sin cambiar esencialmente
las condiciones.
b) Cada experimento es no determinístico
c) Cada experimento tiene varios resultados
posibles que pueden describirse de
antemano con precisión por ejemplo
1: {C,S y 2: {1,2,3,4,5,6 
Los experimentos aleatorios son los que tiene
las tres propiedades antes mencionadas.
Ejemplos: los experimentos 1, 2 y los
siguientes:
3: Extraer una articulo de un lote que tiene
artículos defectuosos “D” y no defectuosos “N”.
4: Contar el numero de vehículos que llegan a
una estación deservicios en un día.
Se llama Espacio Muestral asociado a un
experimento aleatorio , al conjunto de todos
los resultados posibles de dicho experimento
aleatorio y lo denominaremos por:  (omega).

Considerando los experimentos aleatorios

anteriores tenemos:
1= {C,S 2={1,2,3,4,5,6 
3={D,N  4={ 1,2,3,4,5,6,…… 
El Espacio muestral puede estar asociado a
experimentos simples como los de los ejemplos
anteriores o a experimentos compuestos.

Un experimento se dice que es compuesto , si

consiste de dos o mas experimentos simples
sucesivos o simultáneos.
Dentro de estos se consideran dos tipos:
Experimentos unidos por la o EXCLUYENTE: Un
experimento compuesto , se dice que es una
o-combinación de los experimentos simples 1y
2 si y solo si, el experimento , ocurre cuando
el experimento 1ó 2 ocurre pero no ambos.

Ejemplo: considere el experimento compuesto

que consiste en lanzar un dado o una moneda y
hallar su espacio muestral.
El experimento compuesto , consiste en dos
experimentos simples unidos por la “o”
excluyente entonces tenemos:
1: Lanzar un dado  1={1,2,3,4,5,6 
2: Lanzar una moneda  2= {C,S
Y = 1ó 2 por lo tanto el espacio muestral 
asociado al experimento compuesto es la unión
de 1 y 2
= 1  2 ={1,2,3,4,5,6, C,S
Experimentos unidos por la y INCLUYENTE: Un
experimento compuesto , se dice que es una
y-combinación de los experimentos simples 1y
2 si y solo si, el experimento , ocurre cuando
ambos experimento 1y 2 ocurren.
CONSECUENCIA : Si el experimento compuesto
, es una y-combinación de los experimentos
1y 2 , el espacio muestral  asociado a: , es el
producto cartesiano de los espacios muéstrales
1 y 2 correspondientes a 1y 2
respectivamente . Es decir:  = 1 x 2
Ejemplo: considere el experimento compuesto que
consiste en lanzar una moneda tres veces y hallar
su espacio muestral asociado a este experimento.
Entonces el experimento compuesto , consiste de
tres experimentos simples unidos por la “y”, es
decir el experimento ocurre si los tres
experimentos ocurren y tenemos:
1: El primer lanzamiento : 1= {C,S
2 : El segundo lanzamiento : 2= {C,S
3: El tercer lanzamiento : 3= {C,S
Entonces = 1 x 2 x 3= {(x,y,z)/x,y,z= C,S

={CCC,CCS,CSC,SCC,CSS,SCS,SSC,SSS
Los espacios muéstrales discretos son aquellos
que tienen un número finito o infinito
numerable de elementos.
Espacios muéstrales discretos finitos; son
aquellos que tienen un número finito de
elementos por ejemplo: se lanzan dos monedas
simultáneamente y se observan las secuencias
de caras y sellos.
Entonces = 1 x 2 ={(x,y)/x= C,S, y= C,S
={ CC, CS,SC,SS 
Espacios muéstrales discretos infinitos son
aquellos en los que puede establecerse una
correspondencia uno a uno con el conjunto de
los enteros positivos de modo que pueda ser
enumerado como 1,2,3,….. Por ejemplo lanzar
una moneda hasta que ocurra cara. Entonces se
establece:
={ C, SC,SSC,SSSC,SSSSC,……. 
Espacio Muestral Continuo, es aquel que tiene
un numero no numerable de elementos. Es
decir cuyos elementos son todos los puntos de
algún intervalo.
Por ejemplo:
: Elegir un punto del intervalo cerrado 0,1

={xϵ ℝ/ 0 ≤ x ≤ 1
Se llama EVENTO a cualquier subconjunto del
espacio muestral y lo denotaremos por:
A,B,C,D,E,F,…etc. Así si A es un evento
entonces
A .
Y llamaremos SUCESO a todo elemento del
espacio muestral y lo designaremos por: w, x, y,
etc. Esto es si x es un suceso entonces x ϵ .
Un evento con un solo elemento es un evento
elemental, así si A={w es un evento elemental.
Obsérvese que el evento {w y el suceso w no
son lo mismo, esto lo sabemos de la teoría de
conjuntos.

En otras palabras evento es cualquier elemento

del conjunto potencia P(), (así:  y  son
eventos)
Considerando que los eventos son
subconjuntos, las operaciones de la
intersección “”, unión “” e inclusión “” serán
definidos para eventos las leyes y propiedades
de los conjuntos son validas para el contexto
del espacio muestral y los eventos.

SUB-EVENTOS, dados los eventos A y B se dice

que A esta contenido en B o que A es sub
evento de B y es denotado por “A⊂B”. Si todo
suceso favorable a: A es favorable a B
Ejemplo: Consideramos el experimento lanzar
una moneda hasta que ocurra cara y contar el
número de lanzamientos de la moneda y
definimos los siguientes eventos:
A: “Se necesita por lo menos 20 lanzamientos”
B: “Se necesita mas de 5 lanzamientos”
El espacio muestral es:
Ω=1,2,3,4,5,…
A= 20,21,22,23,…
B= 6,7,8,9,10,…
Es claro que A⊂B
Igualdad de eventos; Se dice que dos eventos A
y B son iguales, y se denota por “A=B” si A⊂B y
B⊂A.

Unión de eventos; Dados dos eventos A y B se

llama unión de A con B y se designa por “A∪B”
al evento formado por los sucesos que
pertenecen a A o a B o a ambos , es decir si
ocurre el evento A o B o ambos, en símbolos:
A∪B= w∊Ω/w ∊ A y w ∊ B
Intersección; dados los eventos A y B se llama
intersección de A y B y se denota por “A∩B” o
“AB” al evento formado por todos los sucesos
favorables a A y B. Es decir ambos eventos
ocurren A y B. En símbolos:
AB= A∩B w∊Ω/w ∊ A ⋀ w ∊ B
Diferencia; Dados los eventos Ay B se llama
diferencia de A con B y se denota por “A-B” a
evento formado por los sucesos favorables a A
y que no son favorables a B.
En símbolos:
A-B= w∊Ω/w ∊ A ⋀ w ∉ B

Complemento; Sea el evento A que pertenece al

espacio muestral Ω, se establece el
complemento A designado por “Ac” o “Ā” al
conjunto conformado por todos los elementos
que pertenecen a Ω y no pertenecen a A.
En símbolos:
Ac =Ā= Ω- A= w∊ Ω / w ∉ Ā 
Ley distributiva; Dados los eventos A, B y C,
entonces:
D1) A(BC)=(AB)(AC)
D2) A (BC)=(AB)(AC)

Ley de Morgan, Sean los eventos A y B

DM1) AB = AB

DM2) AB = AB

Producto cartesiano, dados los eventos A y B se
llama producto cartesiano de A con B, denotado
por “AxB”, al conjunto de pares ordenados cuyos
primeros elementos pertenecen a A y cuyos
segundos elementos pertenecen a B en símbolos:

AxB=(w1,w2)/ w1A y w2B

Usamos el producto cartesiano para construir el

espacio muestral asociado a un experimento
compuesto.
Generalizando las leyes distributivas y de Morgan
tenemos, considerando A,A1,A2,A3,..An eventos
entonces:
𝑛 𝑛
D1a)A(A1A2  A3 ,..An)=A 𝑖=1 𝐴𝑖 = 𝑖=1(𝐴𝐴𝑖)
𝑛 𝑛
D2a)A  (A1  A2A3,..An)=A 𝑖=1 𝐴𝑖 = 𝑖=1(𝐴𝐴𝑖 )

𝑛 𝑛
DM1a) A1A2A3,..An= 𝑖=1 𝐴𝑖 = 𝑖=1 Ā𝑖 =Ā1Ā2 ,..Ān

𝑛 𝑛
DM2a) A1A2A3,..An= 𝑖=1 Ā𝑖 = 𝑖=1 Ā𝑖 = Ā1Ā2,..Ān
Eventos Mutuamente excluyentes, Dos eventos
A y B definidos en el mismo espacio muestral
se dice que son mutuamente excluyentes si no
pueden ocurrir juntos. Es decir la ocurrencia de
uno excluye la ocurrencia del otro.
En símbolos: AB=
Ejemplo: Se lanza un dado dos veces. Sean los
eventos:
A: La suma de los puntos obtenidos en los dos
lanzamientos es 7
B: En los dos dados se obtiene el mismo número
A y B son eventos mutuamente excluyentes pues
el conjunto A es el conjunto:
(3,4),(4,3),(1,6),(6,1),(5,2),(2,5) y B es el
conjunto: (1,1),(2,2),(3,3),(4,4),(5,5),(6,6) por
lo tanto AB=
Eventos colectivamente exhaustivos; Se dice
que una colección de n eventos: A1,A2,A3,..An,
definidos sobre el mismo espacio muestral son
colectivamente exhaustivos si la unión es igual
al espacio muestral. Es decir:
A1A2  A3 ,..An= 𝑛𝑖=1 𝐴𝑖 =

Ejemplo: Considerando el experimento numero

de personas atendidas en un banco en un
periodo determinado. Sean los eventos:
A:Menos de 11 personas has sido atendidas.
B: de 11 a 20 personas has sido atendidas.
C: mas de 15 personas han sido atendidas.

Los eventos A,B y C son colectivamente

exhaustivos , pues:

ABC=0,1,2........=
En muchas situaciones estaremos interesados
en la cantidad de sucesos que tenga el espacio
muestral o algún evento, ambos relacionados a
experimentos aleatorios. Para estos casos
recurrimos a las técnicas de conteo.
Principio de la multiplicación: Si un
experimento aleatorio (u operación) ℇ1 ocurre
de n1 formas y si para cada una de estas, un
experimento (u operación) ℇ2 ocurre de n2
formas, entonces los dos experimentos
ocurren de n1x n2 formas
Es una condición necesaria y suficiente para
que se aplique el principio de la multiplicación
es que se realicen ambos experimentos (u
operaciones), uno seguido del otro o
simultáneamente.
Ejemplo: Cuántos sucesos tiene el espacio
muestral del experimento aleatorio “lanzar una
moneda y un dado simultáneamente”
#1=2 y #2=6   = 2x6=12 sucesos
 =(w1,w2)/ w1 1y w2 2 
Generalización del principio de la multiplicación Si
un experimento aleatorio (u operación) ℇ1 ocurre
de n1 formas y si para cada una de estas, un
experimento (u operación) ℇ2 ocurre de n2 formas,
y si para cada una de estas dos primeras , un
experimento (u operación) ℇ3 ocurre de n3 formas
entonces los dos experimentos ocurren de n1x n2
formas y así sucesivamente, la secuencia de k
experimentos (u operaciones) se realizara de
n1xn2xn3x…..xnk formas diferentes.
Consecuencias de los principios de la
multiplicación:
1. En la generalización del principio de la
multiplicación si n1=n2=n3…=nk entonces la
secuencia de los k experimentos (u
operaciones), ocurren de nk formas.
2. Sea N(A), denota el numero de sucesos de un
evento A y supongamos que N(A)=m y N(B)=n.
Entonces el número de formas de seleccionar
un suceso de A y un suceso de B es igual a n x
m. En símbolos:
3. N(AxB)=N(A)xN(B)=n x m
3. En general se cumple:
N(A1xA2xA3x..x Ak)=N(A1)xN(A2)x…xN(Ak)

PRINCIO DE ADICION
Si un experimento aleatorio (u operación) ℇ1 ocurre
de n1 formas y un experimento (u operación) ℇ2
ocurre de n2 formas, entonces el experimento u
operación ℇ, que consiste en realizar ℇ1o ℇ2 (“o” en
el sentido de exclusión, es decir ℇ1y ℇ2 no pueden
ocurrir juntos), ocurren de n1+ n2 formas, siempre
que los espacios muéstrales 1 y 2 asociados a
ℇ1y ℇ2 sean disjuntos.
Generalización del principio de adición: Si un
experimento aleatorio (u operación) ℇ1 ocurre de n1
formas y un experimento (u operación) ℇ2 ocurre
de n2 formas, ….. ℇk ocurre de nk formas; entonces
el experimento u operación ℇ, que consiste en
realizar ℇ1o ℇ2 o….o ℇk (la partícula “o” en el
sentido de exclusión. Es decir ℇ1,ℇ2,…. ℇk no
pueden ocurrir juntos), ocurren que n= n1+
n2+..+nk formas, siempre que los espacios
muéstrales asociados a ℇ sean disjuntos dos a dos.
Consecuencia del principio de adición: Si A y B
son conjuntos disjuntos entonces
N(AB=N(A)+N(B)
En general, si A1,A2,…Ak son conjuntos
disjuntos dos a dos entonces:

N 𝑘
𝑖=1 𝐴𝑖 = 𝑘
𝑖=1 𝑁(𝐴𝑖 )
PERMUTACION; Es un arreglo de todos o parte
de un conjunto de objetos.
Ejemplo: tenemos un conjunto de 3 objetos
A=a, b, c y estamos interesados en el
número de arreglos (permutaciones) del
conjunto A.
Las posibles permutaciones son:
abc, acb, bac, bca, cab, cba
Podemos observar que son 6 permutaciones
distintas.
Se puede llegar al mismo resultado sin
encontrar las permutaciones correspondientes
de la siguiente manera:
Los arreglos de los objetos se los puede
disponer en tres celdas:
3 2 1

Hay tres formas posibles de llenar la primera

celda, dos la segunda y una la tercera y a esto
aplicamos el principio de la multiplicación y
tenemos: 3x2x1=3!=6 o permutaciones.
Se puede llegar a la misma respuesta sin tener que
escribir todas las ordenaciones posibles.
La forma de denotar las permutaciones es:
nPn = P(n,n) = 𝑃𝑛𝑛 =n!
La cual se lee así número de permutaciones de n
objetos tomados de n a n. o simplemente
permutaciones de nn objetos diferentes.
Ejemplo: En una competencia automovilística
intervienen 40 participantes. ¿De cuantas formas
distintas se pueden adjudicar los lugares de
largada a los 40 competidores?
 40P40=40!=8,159152828x10
47

El numero de permutaciones de N objetos tomados r

a r es:
𝑛!
𝑃𝑛𝑟 =nPr =
𝑛−𝑟 !
Ejemplo: Un grupo esta formado por 5
personas y desea formar una comisión
integrada por presidente y secretario ¿De
cuantas maneras puede nombrarse esta
comisión?
El primer cargo pueden ocuparlo las 5
personas y el segundo 4 entonces aplicando el
principio de la multiplicación tenemos 5x4=20.
La segunda forma de resolver seria:
5! 5! 5𝑥4𝑥3𝑥2𝑥1
2
𝑃5 =5P2= = = =20
5−2 ! 3! 3𝑥2𝑥1
Permutaciones con Repetición; El número de
permutaciones distintas de n objetos de los
cuales n1 son de una clase, n2 de una segunda
clase ,……nk de una k-ésima clase y todos los
demás objetos de clase 1 se calcula aplicando
la siguiente operación:
 𝑛1,𝑛2,…𝑛𝑘 𝑛!
𝑃𝑛 =
𝑛1!𝑛2!..𝑛𝑘!
Ejemplo: Un estante de una librería tiene
capacidad para 10 libros de matemáticas, que
tienen pasta verde, 8 de física de pasta roja y 7
de química de pasta azul. ¿De cuantas maneras
pueden colocarse los libros según los colores?
10,8,7 25!
𝑃25 = =21.034’470.600
10!8!7!
Las permutaciones con repetición se aplican
para efectuar las divisiones de sub conjuntos
en la partición de conjuntos.
Ejemplo: Un hombre tiene 8 bonos financieros
de compañías distintas y piensa regalarlos a
sus tres hijos de la siguiente manera: a su hijo
mayor3; a su segundo hijo, 3 y al ultimo 2.

3,3,2 8! 40.320 40.320

𝑃8 = = = =560
3!3!2! 6∗6∗2 72
COMBINACIONES; Un subconjunto de r elementos de un
conjunto que tiene n elementos diferentes se llama
combinación de los elementos tomados r a r sin
interesar su orden.
𝑛!
C(n,r)=𝐶𝑛 =
𝑟
𝑟! 𝑛−𝑟 !

Ejemplo: Un estudiante tiene que responder 8 de 10

preguntas de un examen
a) ¿De cuantas maneras puede el estudiante escoger
las 8 preguntas?
b) Si las tres primeras son obligatorias ¿de cuantas
maneras puede escoger las preguntas?
c) Si tiene que contestar 4 de las 5 primeras ¿de
cuantas formas puede hacerlo?
a) Considerando que se escogen 8 preguntas
de 10 sin interesar el orden tenemos:
10! 10! 10𝑥9𝑥8! 90
𝐶10 =
8
=8!2!= = =45
8! 10−8 ! 8!2! 2
b) Puesto que tres preguntas son obligatorias
quedaran para escoger 5 de las 7 restantes,
entonces tenemos:
7! 7!
𝐶7 =
5
= =21
5! 7−5 ! 5!2!
c) Si tiene que contestar 4 de las 5 primeras lo
haría de 5 maneras. Y las cuatro preguntas
restantes seleccionara de las 5 finales lo que
seleccionaría de 5 formas también. Entonces
las 8 preguntas se seleccionaran de:
5 x 5 = 25
formas diferentes sin interesar el orden.
MUESTREO CON Y SIN REMPLAZO
Si al extraer los r objetos del conjunto de n
objetos, se considera el orden en el que son
seleccionados los objetos; el conjunto de los r
objetos extraídos se llama una muestra
ordenada de tamaño r.

Cuando un objeto se extrae y se remplaza

antes de extraer el siguiente objeto, se dice
que el muestreo es con reemplazamiento
El numero de formas de extraer dos objetos con
reemplazamiento será: n x n= n2. Para cualquier
numero de rextracciones, el número de formas de
extraer con reemplazamiento será:
nr.
Si al extraer un objeto no se reemplaza, para
extraer el siguiente, se dice que el muestreo es sin
reemplazamiento.
El numero de formas de extraer una muestra de
tamaño r sin reemplazamiento es:
𝑟
𝑛!
𝑃𝑛 =
𝑛−𝑟 !
Si no interesa el orden de los elementos que se
extraen de la muestra el numero de maneras
de escoger r objetos de los n esta dada por
𝑛!
𝐶𝑛 =
𝑟
𝑟! 𝑛−𝑟 !
Ejemplo: Considere las placas de automóviles
que tienen tres letras seguidas de tres dígitos
si puede emplearse todas las combinaciones
posibles ¿Cuántas placas diferentes pueden
formarse?
Tenemos 26 letras del alfabeto y se trabaja con
reemplazamiento entonces tenemos nr y
remplazando tendríamos 263.
Considerando los números que se pueden
escoger el universo es del 0 al 9 y serian 10
números de los cuales se extraerán 3 con
reemplazamiento y tendríamos 103 . Y
considerando ambos espacios muestrales para
conformar uno compuesto por 3 letras y 3
números tendríamos:
(26)3*(10)3= 17.576.000
Son tres los enfoques de la probabilidad que
dan origen a tres definiciones diferentes que
son el enfoque clásico, el enfoque relativo y el
enfoque subjetivo. Los tres son
complementarios.
 Definición de Probabilidad Clásica o a Priori
 Definición de Probabilidad por frecuencia
relativa o a posteriori
 Definición de Probabilidad Subjetiva.
Las dos primeras definiciones son objetivas
Definición de Probabilidad Clásica
La probabilidad de un evento, es la razón entre el
número de casos (sucesos), favorables y el numero
total de casos (sucesos) posibles, siempre que
nada obligue a creer que alguno de estos sucesos
deba tener preferencia a los demás, lo que hace
que todos sean igualmente posibles.

Según esta definición N()= n, es el número de

elementos del espacio muestral (número total de
sucesos) y N(A)=nA, es el número de elementos del
evento A ( o número de sucesos favorables).La
probabilidad del evento A, denotado por PA es la
razón de N(A) a N() o sea:
 𝑁(𝐴) 𝑛𝐴 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑓𝑎𝑣𝑜𝑟𝑎𝑏𝑙𝑒𝑠 𝑎𝑙 𝑒𝑣𝑒𝑛𝑡𝑜 𝐴
PA= = =
𝑁() 𝑛 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑐𝑎𝑠𝑜𝑠 𝑝𝑜𝑠𝑖𝑏𝑙𝑒𝑠

Observaciones
1. La probabilidad de un evento cualquiera A esta
comprendido entre 0 y 1.Es decir
0 ≤ PA ≤ 1
2. PA=0, si A es un evento imposible
3. PA=1, si A es un evento seguro
4. Puesto que todos los elementos de
)={w1,w2,…,wn} son igualmente probables se
1
tiene que la Pwi= , i=1,2,3,..,n
𝑛
Y la P= 𝑛𝑖=1 𝑃 {𝑤𝑖} =1 y si A es un evento de
,entonces:
PA= 𝑤𝑖∈𝐴 𝑃 {𝑤𝑖}

Ejemplo: Si ser lanza una moneda 3 veces calcular

la probabilidad que ocurran: a)dos caras; b) al
menos dos caras y c) a lo mas dos caras.

Primero establecemos el espacio muestral y su

numero de sucesos, para esto sabemos que el
lanzamiento de una moneda tiene 2 resultados
Cara y Sello y como se lanzan tres veces el
N()=23=8 y ={ccc, ccs, csc, css, scc, ssc, scs,
sss}
Segundo Establecemos los suceso favorables al
evento A:”ocurren dos caras”, entonces
A={ccs, csc, scc} entonces N(A)=3 por lo tanto
𝑁(𝐴) 3
la P[A]= =8
𝑁()
Tercero, Establecemos los sucesos favorables
al evento B “ocurren al menos dos caras”,
entonces: B={ccs, csc, scc,ccc} entonces N(B)=4
𝑁(𝐵) 4 1
por lo tanto la P[B]= =8=
𝑁() 2
Cuarto, Establecemos los sucesos favorables al
evento C “ocurren a lo más dos caras”,
entonces: C={sss, ssc, scs, css, ccs, csc, scc}
𝑁(𝐶) 7
entonces N(C)=7 por lo tanto la P[C]= =8
𝑁()
Observese: que los eventos: A, B y C muestran
la diferencia notoria en sus sucesos y tienen
diferentes resultados de probabilidad.
Definición de Probabilidad por frecuencia relativa
Si un experimento bien definido se repite n veces (n
grande); sea nA<n el numero de veces que el
experimento A ocurre en los n ensayos, entonces la
frecuencia relativa de veces que ocurre el evento A
“nA/n” es la estimación de la probabilidad que ocurra
el evento A, o sea:
𝑛𝐴
P[A]=
𝑛
Además la estimación de la probabilidad por frecuencia
relativa de un evento A se acerca a la verdadera
probabilidad de un evento, cuando n aumenta
indefinidamente, es decir:
𝑛
P[A]= lim 𝐴
𝑛→∞ 𝑛
Lo cual en la práctica no es posible y lo que se hace es
buscar una estimación máxima de la P[A], basados en
“n” grande
Observaciones
1) La frecuencia relativa de un evento esta
comprendida entre 0 y 1por lo tanto 0≤PA≤1.
𝑛𝐴
2) =0, si y solo si, en las n repeticiones del
𝑛
experimento el evento A no ocurre.
Por lo tanto P[A]=0, si y solo si, A no ocurre en las
n repeticiones del experimento.
𝑛𝐴
3) =1, si y solo si, el evento A ocurre en las n
𝑛
repeticiones del experimento. En particular:
𝑛
=1
𝑛
Por lo tanto P[A]=1, si y solo si, A ocurre en todas
las repeticiones del experimento.
Ejemplo: La distribución de los miembros de los
partidos políticos es:
Partido A B C D E F
Número total de 105 100 70 45 40 15
militantes
Militantes mujeres 15 20 5 10 3 2

¿Cuál es la probabilidad que un miembro

seleccionado aleatoriamente,
a) sea mujer?
b) Pertenezca al partido B
c) Sea un hombre miembro del partido C?
Primero , determinamos n= total de militantes
=105+100+70+45+40+15=375
a) Sea A el evento: “el militante seleccionado
sea una mujer”
nA=numero de socios mujeres =
55 11
15+20+5+10+3+2 = 55 luego la P[A]= =
375 75
b) Sea B el evento: “el miembro seleccionado
pertenece al partido B”
nB= total de miembros del partido B=100
100 20
entonces: P[B]= =
375 75
c) Sea C el evento: “La persona seleccionada es
hombre y pertenece al partido C”
nC= total de hombres que pertenecen al partido=
65 13
70-5=65 entonces: P[C]= =
375 75

Definición de Probabilidad Subjetiva

Dado un experimento determinado, la probabilidad
de un evento A es el grado de creencia asignado a
la ocurrencia de este evento por un individuo
particular, basado en toda la evidencia a su
disposición, con las siguientes exigencias:
1) P[A]=0 representa la certeza que el evento A
no ocurrirá.
2) P[A]=1 representa la certeza que el evento A
si ocurrirá.
3) 0< P[A]<1 representa el grado de certeza
que el evento A ocurrirá.

La probabilidad subjetiva de un mismo

experimento, cambia de un sujeto a otro
debido a su nivel de conocimiento respecto al
experimento que se analice.
La probabilidad de un evento A es la suma de las
probabilidades asignadas de los puntos muestrales
pertenecientes al evento A; esto es:
P[A]= 𝑖/𝑤𝑖∈𝐴 𝑃𝑖 = 𝑤i∈𝐴 𝑃[ 𝑤𝑖 ]

Ejemplo: Ocho amigos juegan boliche una vez a la

semana. Este grupo esta formado por dos parejas de
casados 3 jóvenes y una joven. Antes del juego cada
uno coloca 50Bs en una bolsa cuyo contenido se lo
llevará el ganador.
Si las mujeres tiene la mitad de habilidad que los
varones que poseen para el juego. ¿Cuál es la
probabilidad que un soltero gane?¿Cual es la
probabilidad que gane una mujer? ¿Cuál es la
probabilidad que gane un hombre casado?
Personas Casados Solteros Total Habilidad Total
habilidades
Hombres 2 3 5 1 10/2

Mujeres 2 1 3 1/2 3/2

Total 4 4 8 13/2

a) Sabiendo que son 4 solteros entre hombres y

mujeres, la probabilidad que gane uno de ellos
seria del 4/8=0,5 o 50% esto considerando solo la
cantidad
Considerando la habilidad seria:
(6/2+1/2)/13/2=7/2/13/2=14/26=7/13=
0,538=,054 =54%
b)La probabilidad que gane una mujer será:
3/2/13/2=6/26=3/13=0,23=23%.

c)La probabilidad que gane un hombre casado

sería:4/2/13/2=8/26=4/13=0,31=31%
La probabilidad cumple los siguientes axiomas
que son consecuencia inmediata de su
definición:
Ax1: 0 ≤P[A] ≤ 1, para cada evento A en Ω
Ax2: P[Ω]= 1
Ax3: Para cualquier numero finito k de eventos
mutuamente excluyentes en Ω es:
Una consecuencia inmediata del tercer Axioma
es:
P[A∪B]= P[A]+P[B]
En teoría mas avanzada de probabilidad en vez
del tercer axioma se usa el siguiente:
Si A1,A2,A3,…. Es una secuencia numerable de
eventos mutuamente excluyentes definidos en
Ω, entonces:

P[A1 ∪ A2 ∪ A3 ∪…]= P[A1]+P[A2]+P[A3]…

Debido a que la definición de probabilidad
cumple los axiomas Ax1,Ax2,y Ax3, se da la
definición de probabilidad axiomática o
abstracta
Sea Ω un espacio muestral asociado a un
experimento ɛ. La probabilidad P, es una
función que asigna a cada evento A(A∊ℛ(Ω)),
un número P[A], llamada la probabilidad del
evento A, tal que cumple los axiomas:Ax1,Ax2
y Ax3.
Los teoremas siguientes son consecuencia
inmediata de los axiomas:
Teorema 1: Si ∅ es el evento imposible,
entonces P[∅]=0
Teorema 2:Para cada evento A, se cumple que:
P[Ā]=1- P[A] o P[A]= 1-P[Ā]
Teorema 3: Si A y B son eventos tales que AB,
entonces
P[A]≤P[B]
Teorema 4: Si A y B son dos eventos
cualesquiera en Ω entonces:
P[A∪B]= P[A]+P[B]-P[A∩B]
Una consecuencia importante de este teorema
es:
P[A∪B]≤ P[A]+P[B], ya que P[A∩B]≥0
En este teorema se ha probado que:
P[B]=P[AB]+P[ĀB] y P[A-B]= P[ĀB]=P[B]-P[AB]
Teorema 5: Si A,B y C son tres eventos cualesquiera en
Ω, entonces:
P[A∪B ∪C]= P[A]+P[B]+P[C]-P[A∩B]-P[A∩C] ]-
P[C∩B]+P[A∩B ∩C]
Teorema 6: Si A1,A2, A3,…, Ak es una colección de
eventos cualesquiera en Ω, entonces:

P[A1∪A2∪A3,…∪Ak]= 𝑘𝑖=1 𝑃[𝐴𝑖 ]- 𝑘

𝑖<𝑗=2 𝑃 𝐴𝑖 ∩ 𝐴𝑗 +
𝑘 𝑘+1
𝑖<𝑗<𝑟=3 𝑃 𝐴𝑖 ∩ 𝐴𝑗 ∩ 𝐴𝑟 + ⋯ + −1 𝑃[𝐴1 ∩ 𝐴2 ∩ ⋯ ∩ 𝐴𝑘 ]

Ejemplo 1: La probabilidad que llueva en Monteagudo

el 12 de octubre es de 0,10 de que truene es 0,05 y
que llueva y truene es 0,03.¿Cuál es la probabilidad que
llueva o truene ese día?
Se debe primero definir los siguientes eventos:
A: Llueve en Monteagudo el 12 de octubre.
B: Truena el 12 de octubre
C: Llueva o truene ese día
Entonces: P[A]=0,10; P[B]=0,05 y P[AB]=0,03
El evento C= AB y la

P[C]= P[AB]= P[A]+P[B]-P[AB] por teorema 4

=0,10+0,05-0,03=0,12
Ejemplo 2: De un grupo de personas el 30%
practica futbol y el 40% juega ajedrez. De los
futbolistas el 50% juega ajedrez. Si se elige
aleatoriamente una persona ¿Cuál es la
probabilidad que:
a)Juegue futbol o ajedrez
b) Practique solo uno de estos deportes
c)No practique ni futbol ni ajedrez
Se definen los eventos:
A: la persona elegida es futbolista
B: La persona elegida juega ajedrez
a) La probabilidad pedida es de AUB y
debemos recordar una observación sobre la
probabilidad y el porcentaje, que están
relacionados por el factor 100; es decir el
hecho de que el 30% de las personas
practiquen futbol es igual a indicar de que
la probabilidad de que la persona elegida
sea futbolista es del 0,3 además como el
50% de los futbolistas o sea el 15% del total
juega futbol y ajedrez tenemos:
P[AB]= P[A]+P[B]-P[AB]=0,3+0,4-0,15=0,55
b) Sea el evento C: La persona practica solo
uno de estos deportes. El evento C se puede
escribir así:
C= (AB)(BĀ)
Los eventos AB y BĀ son mutuamente
excluyentes entonces:

P[C]= P[AB]+P[BĀ] por Axioma 3

=0,15+0,25=0,40
c) Sea el evento D: “la persona elegida no
practica futbol ni ajedrez“
El Evento D se escribe D=AB

P[D]=P[AB]=1-P[AB] por teorema 2

=1-0,55=0,45
En conjuntos de Ven tendríamos:
A B

15% 15% 25%

La probabilidad en sus diversas formas discutidas
en los acápites anteriores a sido calculada
considerando el espacio muestral y hemos usado
P[A] para denotar la probabilidad de ocurrencia del
evento A; podríamos haber usado el símbolo
P[A/Ω] que se lee: «la probabilidad del evento A
dado que ha ocurrido Ω»
Frecuentemente estaremos interesados en
encontrar la probabilidad de un evento, donde
dicho evento esta condicionado a la ocurrencia de
un subconjunto del espacio muestral.
Es decir se da que el evento B a ocurrido y se
quiere saber la probabilidad que ocurra el
evento A.
Evidentemente, la probabilidad de un evento A
es diferente cuando tenemos la información
que a ocurrido ya un subconjunto B de Ω.
Ω Ω
A∩B
A A B
Se dice que ya ocurrió B, entonces, se tiene que
el espacio muestral , se ha restringido al
conjunto B. Pues se sabe que no ha ocurrido
todo suceso w que pertenezca a B.
Por lo tanto seria razonable definir la
probabilidad del evento A dado que ha
ocurrido B denotado por P[A/B] tal como
sugiere la figura anterior en su parte
sombreada, igual a la razón del área AB al área
B que visualizados como probabilidades
tendríamos:
 𝑃[𝐴∩𝐵]
P[A/B]= , si P[B] > 0
𝑃[𝐵]

Así la P[A/] se puede escribir ahora :

𝑃[𝐴∩]
P[A/]= 𝑃[] =P[A]
Ejemplo consideremos el lanzamiento de un
dado cuyo espacio muestral es:
=1,2,3,4,5,6 y se consideran los siguientes
eventos:
A: Se observa un número impar
B: Se observa un numero mayor que tres
Entonces:
A=1,3,5 B=4,5,6 AB=5
P[AB]=1/6 y P[B]=3/6, por lo tanto la de que
el evento A ocurra dado que el evento B ha
ocurrido es:
 1/6 1
P[A/B]= = notesé que N(AB)=1 y el N(B)=3
3/6 3
Entonces :
N(AB) 1
P[A/B]= =
N(B) 3
Ejemplo 2. Consideremos ahora el lanzamiento
de 2 dados y suponiendo que se nos informa
haber obtenido suma mayor que 6 ¿Cuál es la
probabilidad de obtener suma 7?
A: Obtener la suma de los dados igual a 7
B: Se obtuvo suma mayor que 6
El calculo lo realizamos estableciendo primero
el espacio muestral y conociendo la
probabilidad de ocurrencia del evento B para
luego calcular A que es un evento intersectado
con B es decir existe el evento A dentro del
evento B.
Entonces primero establecemos el espacio
muestral mediante una tabla de doble entrada:
 Dado1 1 2 3 4 5 6
Dado 2
1 (1,1) (2,1) (3,1) (4,1) (5,1) (6,1)
2 (1,2) (2,2) (3,2) (4,2) (5,2) (6,2)
3 (1,3) (2,3) (3,3) (4,3) (5,3) (6,3)
4 (1,4) (2,4) (3,4) (4,4) (5,4) (6,4)
5 (1,5) (2,5) (3,5) (4,5) (5,5) (6,5)
6 (1,6) (2,6) (3,6) (4,6) (5,6) (6,6)

En el espacio establecemos que el número de sucesos del evento B es

21 y podemos establecer que la P[B/]=21/36=7/12=0,58 o 58%
Así mismo el cuadro nos muestra que el N(AB)= 6
𝑁(𝐴𝐵) 6
Y el N(B)=21 entonces la P[A/B]= =
𝑁(𝐵) 21
Otra forma de calcular esta probabilidad es:
𝑃[𝐴𝐵] 6/36 6
P[A/B]= = =
𝑃[𝐵] 21/36 21

Formalizando la definición de probabilidad

condicional tendríamos:
Definición: Sea un evento B con P[B]>0, la
probabilidad condicional de que ocurra el
evento A, dado que ha ocurrido B, denotada
por P[A/B] se define como sigue:
𝑃[𝐴∩𝐵]
P[A/B]=
𝑃[𝐵]
Nota 1La P[A/B] no esta definida si P[B]=0
Nota 2 Como hemos visto intuitivamente en los
dos ejemplos dados
𝑃[𝐴∩𝐵] 𝑁(𝐴∩𝐵)/𝑛 𝑁(𝐴∩𝐵)
P[A/B]= = =
𝑃[𝐵] 𝑁(𝐵)/𝑛 𝑁(𝐵)
Es decir la probabilidad condicional es una
probabilidad calculada en un espacio muestral
reducido B; pues a partir de la información
sabemos con probabilidad 1 que el evento B ya
ocurrió.
En la practica podemos resolver el problema
usando la definición, esto es calculando P[AB y la
P[B] con respecto al espacio muestral original, o
considerando la probabilidad del evento A con
respecto al espacio muestral reducido B ( como
indica la nota 2 y los ejemplos que hemos dado).
Respecto a los axiomas la probabilidad bajo la
condición que la P[B]>0 cumple los tres:
Ax.1 0≤P[A/B]≤1
Ax.2 P[/B]=1
Ax.3 P[A1A2 ,.. An/B]=P[A1/B]+P[A2/B]+… + P[An/B]
o P[ 𝑛𝑖=1 𝐴𝑖 /𝐵]= 𝑛𝑖=1 𝑃[𝐴𝑖/𝐵]
Para una secuencia de n eventos A1,A2,..,An,
mutuamente excluyentes es decir: AiAj=
siendo i≠j
De los Axiomas 1,2 y 3 de la probabilidad
condicional, los teoremas dados en el anterior
acápite siguen siendo validos para la
probabilidad condicional. Es decir si B es un
evento tal que P[B]>0 tenemos los teoremas:
Teorema 1: P[/B]=0
Teorema 2:P[Ā/B]=1-P[A/B] o P[A/B]= 1-P[Ā/B]
Teorema 3: Si AB entonces P[A/B]<P[C/B]
Teorema 4: P[AC/B]=P[A/B]+P[C/B]-P[AC/B]
Ejemplo: En una universidad de 10000
estudiantes y 1000 profesores, el 10% de los
profesores son de izquierda y el 90% de
derecha, mientras que en los estudiantes este
porcentaje es el contrario. Se selecciona al azar
un miembro de la universidad y se encuentra
que es de derecha ¿cual es la probabilidad que
haya seleccionado un estudiante? ¿un
profesor?
El numero de elementos del espacio muestral
es N()=10.000+1.000=11.000
Definimos los eventos:
D: “un integrante de derecha”
E: “el integrante es un estudiante”
𝑃[𝐸𝐷]
a) Debemos calcular P[E/D]=
𝑃[𝐷]
N(ED)=1000 N(D)=1900, luego:
1000/11000
P[E/D]= =10/19=0,53
1900/11000
 𝑃[Ē 𝐷]
b) P[E/D)= 𝑃[𝐷]
N(Ē𝐷) = 900 entonces
900
9
P[Ē𝐷] = 11000
1900 = =0,47=47%
19
11000
O también usando el teorema 2
P[Ē/D]=1-P[E/D]=1-10/19=9/19=0,47=47%
De la definición de probabilidad condicional,
obtenemos una formula para obtener la
probabilidad de la intersección (o producto) de
los eventos A y B. esto es:
𝑃[𝐴∩𝐵]
P[A/B]= , P[B]>0 (1)
𝑃[𝐵]
𝑃[𝐵∩𝐴]
P[B/A]= , P[A]>0 (2)
𝑃[𝐴]
Multiplicando ambos miembros de la expresión
1 por P[B] y por P[A] la expresión (2),
obtenemos las ecuaciones:
P[AB]= P[B] P[A/B]= P[AB] y
P[AB]= P[A] P[B/A]= P[AB]
Este resultado en teoría de probabilidades, se
denomina REGLA DE LA MULTIPLICACIÓN, o
probabilidad de la intersección, también
(probabilidad conjunta);expresa la probabilidad
de que ocurra los eventos A y B, es igual a la
probabilidad de la ocurrencia de uno de ellos
multiplicado por la probabilidad condicional
que ocurra el segundo, dado que el primero ha
ocurrido.
Ejemplo1: Una urna contiene 5 bolas blancas, y
6 negras, se extrae al azar sucesivamente y sin
reposición (con reposición) dos bolas, ¿Cuál es
la probabilidad que las 2 resulten blancas?
Definimos primero los eventos:
A1: “La primera bola resulto blanca”
A2: “La segunda bola resulto blanca”
E: “Las dos bolas resultan blancas”
Es claro que la probabilidad pedida es del
evento E.
E=A1A2=A1A2, es decir E es la intersección de
los dos eventos y la ocurrencia de A1 influye en la
de A2. O sea:
P[E]=P[A1A2]=P[A1] P[A2/A1]
En la urna hay 11 bolas de las cuales 5 son blancas
5
por lo tanto: P[A1]= , después de la ocurrencia
11
del evento A1, quedan 10 bolas de las cuales 4 son
4
blancas, luego P[A2]= por lo tanto:
10
5 4 20 2
P[E]=P[A1] P[A2/A1]= x = = = 0,1818
11 10 110 11
=18,18%
El calculo anterior es sin repetición, y un esquema
de ayuda para visualizar la solución es:
 5 4
P[A1]=11 P[A2]=10

Para el calculo con remplazo tendríamos:

5
P[A1]= ,después de la ocurrencia del evento
11
A1, con remplazo seria nuevamente 11 bolas
5
de las cuales 5 son blancas, luego P[A2]=
11
5 5 25
P[E]=P[A1]P[A2/A1]= x = =0,2066
11 11 121
=20,66%
Segunda forma: El problema se puede enfocar
de otra manera en su solución a saber: Existen
5+6= 11 bolas, la forma de seleccionar dos de
ellas esta dado por: C11 2
y cada una de estas
formas tiene probabilidad igual de ocurrir, es
decir es nuestro espacio muestral.
El número de sucesos favorables al evento E, lo
obtenemos de la siguiente manera: como
existen 5 bolas blancas podemos elegir dos de
ellas de C52 formas diferentes luego aplicando
la definición clásica tenemos:
 5!
C25 2
P[E]= = 2!3!
11! = =0,1818 =18,18%
C211 11
2!9!

ARBOL DE PROBABILIDAD DE EXPERIMENTOS SUSECIBOS

Un diagrama que ayuda a visualizar estos problemas es
el llamado es el árbol de experimentos sucesivos en el
que cada rama completa del diagrama de árbol se
llama una trayectoria y representa un posible resultado
del experimento.
En cada segmento que une la secuencia de
experimentos se pone sus respectivas probabilidades.
Su aplicación la vemos a través del siguiente ejemplo:
En un sistema de alarma la probabilidad que se
presente un peligro es de 0,10. Si este se
produce la probabilidad que funcione la alarma
es del 0,95. La probabilidad que funcione la
alarma sin haber habido el peligro es 0,03.
Determinar la probabilidad que haya un peligro
y la alarma no funcione.
Para comenzar definimos los siguientes
eventos:
P:”hay peligro”, F: “La alarma funciona.
Entonces F: “La alarma no funciona”
Luego debemos determinar la probabilidad del
evento PF: “Haya peligro y la alarma no
funcione”
P[PF]=P[P] P[F/P]
Sabemos que la P[P]=0,10 si ocurre el evento P,
la P[F/P]=0,95 y la
P[F/P] =1- P[F/P]=1-0,95=0,05 por teorema 2
Por lo tanto la P[PF]=0,10x0,05=0,005
Esto en el árbol de probabilidad de eventos
sucesivos lo vemos de la siguiente manera:
 F P[PF]=0,0095

P
F P[PF]=0,005
F

P
F
Teorema 5: Si A, B y C son eventos de , tales
P[A]≠0 y P[AB] ≠0 entonces:
P[ABC]= P[A] x P[B/A] x P[C/AB]

Teorema 6: Si A1, A2,… An son eventos de , y

P[A1A2 … An-1] ≠0 entonces:
P[A1A2 … An]=P[A1] x P[A2/A1]x P[A3/A1A2]
… P[An/A1A2 …An-1]
Este ultimo teorema es una generalización del
anterior.
Ejemplo: Dos establos A y B tienen 1000 cabezas
de vacuno cada uno. Existe una epidemia que
afecta a los cascos y la boca del ganado la
proporción de ganados afectas con 1/5 y ¼
respectivamente (por establo).
Se escoge un ganado al azar:
a) ¿Cuál es la probabilidad que el ganado escogido
viene del rancho A y tiene afección a los cascos y la
boca?
b) ¿Si el 70% de los ganados afectados tienen edad
menor que un año ¿Cuál es la probabilidad que el
ganado escogido viene del rancho B y tiene la
afección y es mayor de un año de edad
Se establecen los eventos:
A: El ganado procede del rancho A
B1: El ganado procede del rancho B
E: El ganado esta infectado.
Entonces la P[A]=1000/2000=1/2=0,5=50%
La P[E]=200/1000=2/10=0,2= 20%
La P[AE]=P[A]xP[E]=0,5x0,2=0,1=10%
b) Consideramos el evento:
F: El ganado es mayor de un año

P[BEF] =P[B] P[E/B] P[F/BE]

=1000/2000x1/4x135/450

=1/2x1/4x3/10=0,5x0,25x0,3=0,037
=3,7%
Este teorema es el mas importante de este
capitulo y requiere primero definir la partición
de un espacio muestral y el teorema de la
probabilidad total que son utilizados para su
cálculo.
PARTICION DE UN ESPACIO MUESTRAL
Definición Se dice que la colección de eventos
B1,B2,..,Bk del espacio muestral  representa
una partición del espacio muestral , si cumple
las siguientes condiciones:
a) Los eventos B1,B2,..Bk son mutuamente
excluyentes.
En símbolos BiBj= i≠ji,j=123,..,k
b) Los eventos B1,B2,..Bk son colectivamente
exhaustivos.
En símbolos: 𝑘𝑖=1 𝐵𝑖 =
c) P[Bi]>0 con i=1,2,..,k

B1
Bk

B2
Ejemplo: En el lanzamiento de un dado:
=1,2,3,4,5,6 Si B1= 1,2, B2= 3,4,5 y
B3= 6
B1 B2B3=  por lo que se indica que es una
partición del espacio muestral.
En cambio los eventos:
E1=1,2 E2=3,4 E3=6 no son una
partición del espacio muestral por que:
E1 E2E3≠ 
TEOREMA DE LA PROBABILIDAD TOTAL
Sean: B1,B2,..Bk una partición del espacio
muestral , entonces para cualquier evento A
en  se cumple:

P[A]= 𝑘𝑖=1 𝑃[𝐵𝑖]P[A/Bi]

=P[B1]P[A/B1]+P[B2]P[A/B2]+…+P[Bk]P[A/Bk]
Demostración.-
1)Sabemos que:
=B1⋃B2⋃..⋃Bk hipótesis
2) Para cualquier evento A en  se tiene:
A=A⋂
A= A⋂(B1⋃B2⋃…⋃Bk) ver grafico siguiente:
A=(A⋂B1)⋃(A⋂B2)⋃…⋃(A⋂Bk)

B2⋂A
B1⋂A

Bk⋂A
……

B1 B2 …… Bk
3) Los eventos A⋂Bi y A⋂Bj , i≠j son mutuamente
excluyentes pues:
(A⋂Bi) ⋂ (A⋂Bj) = A⋂(Bi⋂Bj)=,i≠j, i,j=1,2,3,…k

4) Tomamos probabilidades a ambos miembros

de la igualdad del paso 2 y tenemos:

P[A]= P[A⋂B1]+P[A⋂B2]+…+P[A⋂Bk]
=P[B1]P[A/B1] +P[B2]P[A/B2]+ …+P[Bk]P[A/Bk]
= 𝑘𝑖=1 P[Bi]P[A/Bi]
El diagrama de árbol de probabilidad para eventos
sucesivos de la figura siguiente, da una visión
esquemática del teorema de la probabilidad total.
A B1A

B1 Ā B1Ā
A B2A
B2
Ā B2Ā
A
.
Ā
A
.
Ā
A BkA
Bk
Ā BkĀ
De donde
P[A]=P[ 𝑘𝑖=1 𝐵𝑖𝐴]= 𝑘𝑖=1 𝑃 𝐵𝑖 P[A/Bi]
Corolario: Si B es un evento en  tal que
0<P[B]<1, entonces para cualquier evento A en
 se tiene que:

P[A]=P[B] P[A/B]+ P[B] P[A/B]

Demostración:
1. Los eventos B y B forman una partición de 
y =BB (por hipótesis).
2. Para cualquier evento A en  se tiene:
A=A⋂ =A
A=A(B⋃B)=AB⋃AB
3. AB⋂AB =A(B⋂B)=.Es decir los eventos AB y
AB son mutuamente excluyentes.
4. Aplicando probabilidad a ambos miembros
de la igualdad obtenida en el paso 2 tenemos:
P[A]=P[AB⋃AB]=P[AB]+P[AB]
=P[B]P[A/B]+P[B]P[A/B]
El diagrama de árbol de probabilidades,
muestra una visión esquemática del corolario:
A BA

B
Ā

A BA

B
Ā
Ejemplo: En un laboratorio hay tres jaulas. En la
jaula 1 hay dos conejos pardos y tres blancos,
la jaula 2 tiene 4 conejos pardos y 2 blancos y
la jaula 3 contiene 5 conejos pardos y 5
blancos. Se selecciona una jaula al azar y se
saca un conejo al azar de esta jaula. ¿Cuál es la
probabilidad que el conejo escogido sea
blanco?
Para solucionar el problema seguimos los
siguientes pasos:
1ro Paso: Definimos los siguientes eventos:
1: La jaula 1 es seleccionada
2: La jaula 2 es seleccionada
3: La jaula 3 es seleccionada
A: El conejo escogido es blanco
2do Paso: Definimos el espacio muestral del
experimento que estaría constituido por los
conejos de las tres jaulas del experimento, que
a su vez es una partición del espacio muestral,
es decir:
=1⋃2⋃3
3er Paso: Analizamos la relación del evento con
el espacio muestral con lo que tendríamos:
A  , entonces A= 1A⋃2A⋃3A, luego por el
teorema de la probabilidad total tenemos:

P[A]=P[1]P[A/1]+P[2]P[A/2]+P[3]P[A/3]

4to Paso: Visualizamos en el diagrama de árbol

de probabilidad para experimentos sucesivos
los resultados favorables ha A.
 Dentro del árbol solo algunas ramas son las que
conforman la probabilidad total del evento A

A 1A

1 Ā 1Ā

A 2A
2 Ā 2Ā

A 3A

3 Ā 3Ā

Como podemos observar en el árbol la probabilidad inicial

para escoger las Jaulas es similar para las 3 es decir:
 P[1]= P[2]=P[3]=1/3
En lo referente al la probabilidad que se
cumpla el evento A tenemos P[A/1]=3/5.Si se
saca de la jaula 2 la P[A/2]=2/6. Finalmente si
se selecciona la jaula 3 tenemos: P[A/3]=5/10.
Remplazando estos valores en el paso 3
tenemos:
P[A]=(1/3x3/5)+(1/3x2/6)+(1/3x5/10)
P[A]=1/5+1/9+1/6=43/90=0,48= 48%
TEOREMA DE LA PROBABILIDAD TOTAL Y DE LA
PROBABILIDAD CONDICIONAL
Sean: B1,B2,..Bk una partición del espacio
muestral , y sean A y E eventos entonces:
P[E/A]=P[B1/A] P[E/B1A]+P[B2/A] P[E/B2A]+ …+
P[Bk/A] P[E/BkA]
O:
P[E/A]= 𝑘𝑘=1 P[Bi/A]P[E/ABi]
Presentando esto en diagrama de árbol
tendríamos:
 E AB1E

B1 Ē
E AB2E
B2
A Ē
E
.
Ē
E
.
Ē
E ABkE
Bk
Ē
Ejemplo: Todos los miembros de un club son
médicos o abogados, 40% de los miembros son
médicos, mientras que el 30% de las mujeres son
médicos. El 50% de los médicos y el 30% de los
abogados ganan mas de $60.000 por año. Sin
embargo solamente el 20% de las mujeres médicos
y el 10% de las mujeres abogados gana mas de
60.000 por año
a) Si se escoge aleatoriamente un miembro del
club ¿Cuál es la probabilidad que gane mas de
60.000 por año?
b) Si se escoge aleatoriamente una mujer. ¿Cuál es
la probabilidad que ella gane mas de 60.000
por año?
Consideremos los siguientes eventos:
M: “El miembro del club es un médico”
A: “El miembro del club es un abogado”
F: “El miembro del club es femenino”
G: “El miembro del club gana mas de 60.000 al
año”
a) Debemos calcular la probabilidad de G
=A⋃M
Los eventos A y M forman una partición del
espacio muestral  además G 
Aplicando el teorema de la probabilidad total
tenemos:
P[G]=P[A]P[G/A]+P[M]P[G/M]
=(0,6)(0,3)+(0,4)(0,5)=0,38=38%
b) Se debe calcular P[G/F].El diagrama siguiente,
muestra el árbol de probabilidades para este caso.

M
G

G
F

A
G
Luego:

P[G/F]=P[M/F]P[G/FM]+ P[A/F]P[G/FA]
=(0,3)(0,2)+(0,7)(0,1)= 0,13=13%
Si los eventos B1,B2,…,Bk forman una partición del
espacio muestral  y A, es un evento cualquiera de
, entonces:

𝑃 𝐵𝑟 𝑃[𝐴/𝐵𝑟]
P[Br/A]= 𝑘
𝑖=1 𝑃
𝐵𝑖 𝑃[𝐴/𝐵𝑖]
𝑃 𝐵𝑟 𝑃[𝐴/𝐵𝑟]
=
𝑃 𝐵1 𝑃 𝐴/𝐵1 +𝑃 𝐵2 𝑃 𝐴/𝐵2 +⋯+𝑃 𝐵𝑘 𝑃 𝐴/Bk
Para r=1,2,3,..,k
Este teorema resulta como consecuencia inmediata
del teorema de la probabilidad total. En efecto:
 𝑃[𝐵𝑟𝐴] 𝑃 𝐵 𝑃[𝐴/𝐵𝑟]
P[Br/A]= = 𝑘 𝑟
𝑃[𝐴] 𝑖=1 𝑃 𝐵𝑖 𝑃[𝐴/𝐵𝑖]
El numerador resulta del teorema de la
multiplicación y el denominador del teorema
de la probabilidad total.
COROLARIO: Si A y B son eventos en  tales
que la P[A]>0 y 0<P[B]<1, entonces:

𝑃 𝐵 𝑃[𝐴/𝐵]
P[B/A]=
𝑃 𝐵 𝑃 𝐴/𝐵 +𝑃 𝐵 𝑃[𝐴 𝐵]
Ejemplo: En un laboratorio hay tres jaulas. En la
jaula 1 hay dos conejos pardos y tres blancos,
la jaula 2 tiene 4 conejos pardos y 2 blancos y
la jaula 3 contiene 5 conejos pardos y 5
blancos. Se selecciona una jaula al azar y se
saca un conejo blanco al azar de esta jaula.
¿Cuál es la probabilidad que el conejo escogido
provenga de la jaula 1?
Para este caso debemos calcular P[1/A] y por la
definición de probabilidad condicional y el
teorema de la multiplicación tenemos:
 𝑃[1∩𝐴] 𝑃 1 𝑃[1/𝐴]
P[1/A]= =
𝑃[𝐴] 𝑃[𝐴]
En el ejercicio la probabilidad de A se ha
calculado por el teorema de la probabilidad
43
total y es = 0,4777 𝑜 47, 77%.Luego la:
90

1 3 3
𝑥 270
P[1/A]= 3 5
= 15
43 = =0,4186=41,86%
43/90 645
90
EJEMPLO: Una compañía de desarrollo Urbano esta
considerando la posibilidad de construir un centro comercial
en Yamparaez. Un elemento vital en esta consideraciones es
un proyecto de una autopista que une este sector con el
centro del municipio. Si el concejo municipal aprueba esta
autopista, hay una probabilidad del 0,90 de que la compañía
construya el centro, en tanto que si la autopista no es
aprobada la probabilidad es de solo el 0,20. Basándose en la
información disponible, el presidente de la compañía estima
que hay una probabilidad del 0,60 que la autopista sea
aprobada.
a)¿Cuál es la probabilidad que la compañía construya el
centro comercial?
b)Dado que el centro comercial fue construido ¿ Cuál es la
probabilidad que la autopista haya sido aprobada?
Definimos los eventos:
A:”La autopista es aprobada”
B:”El centro comercial es construido”
a) Debemos calcular P[B] aplicando el corolario del
teorema de la probabilidad total, el Evento B se
escribe: B=AB⋃ĀB y:
B AB

A 𝐵
B ĀB

Ā 𝐵
P[B]=P[AB]+P[ĀB]=P[A]P[B/A]+P[Ā]P[B/Ā]
=(0,60)(0,9)+(0,40)(0,20)=0,54+0,08
=0,62=62%
b)Por el corolario del teorema de Bayes
tenemos:

𝑃 𝐴 𝑃[𝐵/𝐴] (0,6)(0,9) 54
P[A/B]= = = =0,87=87%
𝑃[𝐵] 0,62 62
DEFINICION Los eventos A y B en  son
independientes si y solamente si se cumple una de
las siguientes condiciones:
1)P[A⋂B]= P[A]P[B]
2)P[A/B]=P[A] si la P[B]>0
3)P[B/A]=P[B] si la P[A]>0
En otro caso se dice que los eventos A y B son
dependientes.
Los eventos independientes son llamados algunas
veces: Estadísticamente independientes, estocás-
ticamente independientes o independientes en el
sentido probabilístico.
Ejemplo1: Considere el lanzamiento simultaneo
de una moneda y un dado. Sean los eventos
A:”se obtiene cara en la moneda” B: “en el dado
sale 6” Verificar que A y B son independientes.
El espacio muestral compuesto seria:
={(c,1),(c,2),(c,3),(c,4),(c,5),(c,6),(s,1),(s,2),
(s,3), (s,4),(s,5),(s,6)}
Luego: A={(c,1),(c,2),(c,3),(c,4),(c,5),(c,6)}
B={(c,6),(s,6)}
A⋂B={(c,6)}
Entonces en probabilidades tendríamos:
P[A⋂B]=1/12; P[A]=6/12=1/2; P[B]=2/12=1/6
Comprobando:
P[A⋂B]=P[A] P[B]=1/2x1/6=1/12
Lo que indica que ambos eventos son
independientes.
Ejemplo2:En un estudio de una enfermedad al
pulmón se examinan 10.000personas mayores de
60 años. Se halla que 4.000 personas de este
grupo son fumadores. Entre los fumadores 1800
padecen de desordenes pulmonares. Entre los que
no fuman 1500 tienen desordenes pulmonares.
¿Son los eventos “fumadores” y desordenes
pulmonares independientes?
Sean los eventos: A:”La persona elegida al azar
es fumador” y B:”La persona tiene desordenes
pulmonares”.
4000 3300
P[A]= = 0,4 y P[B]= = 0,33
10000 10000
La probabilidad condicional de fumadores dado
un desorden pulmonar es:
1800
𝑃[𝐴∩𝐵] 1800
P[A/B]= = 10000
3300 = =0,55≠P[A]
𝑃[𝐵] 3300
10000
Por lo tanto los eventos A y B no son
independientes
El concepto de eventos independientes puede
extenderse a mas de dos eventos.
Tres eventos A, B y C en , se dice que son
mutuamente independientes si y solamente si
cumplen las siguientes condiciones:
1)Ellos son independientes por pares. Es decir:
P[AB]=P[A] P[B] ; P[AC]=P[A] P[C] y
P[BC]=P[B] P[C]
2) P[ABC]=P[A] P[B] P[C]
Y esto mismo se puede aplicar a n eventos.
TEOREMAS PARA EVENTOS INDEPENDIENTES
Teorema 1: Si Ay B en  son eventos
independientes, entonces:
1) A y 𝐵 son independientes
2) 𝐴 y B son independientes
3) 𝐴 y 𝐵 son independientes
Teorema 2: Si A y B son eventos cualesquiera
en  y son independientes, entonces:
P[A⋃B]=1- P[𝐴]P[𝐵] = 1- (1-P[A])(1-P[B])
Teorema 3: Si A1,A2,..An son n eventos en 
independientes, entonces:
P[ 𝑛𝑖=1 𝐴𝑖 ]=1 - 𝑛𝑖=1 𝑃 𝐴𝑖
=1-[1-P[A1]] [1-P[A2]]….[1-P[An]]
Ejemplo 3: Durante el primer año de uso de un
amplificador de radio puede requerir tres tipos de
reparaciones y las probabilidades correspondientes
son: 0,05;0,04 y 0,12 ¿Cuál es la probabilidad que
un amplificador seleccionado al azar requiera
reparación durante su primer año de uso?. Cada
tipo de reparación es independiente de los otros
dos.
Definimos los eventos:
Ei: “El amplificador seleccionado requiere
reparación del tipo i(i=1,2,3)”
E: “El amplificador seleccionado requiere
reparación”
El evento E, se escribe: E= 3𝑖=1 𝐸𝑖
P[ 3𝑖=1 𝐸𝑖 ] =1-[1-P[E1]] [1-P[E2]] [1-P[E3]]
=1-(1-0,05)(1-0,04)(1-0,12)
= 0,10624=10,62%
EXPERIMENTOS INDEPENDIENTES
Sea un experimento  que consiste en una
secuencia de n ensayos 1, 2,.., n. Los ensayos
son independientes si el resultado de cualquier
ensayo no afecta la probabilidad de los
resultados de los otros ensayos. Además si los
Ai, i=1,2,..,n son eventos cualesquiera de i ,
i=1,2,..,n respectivamente , donde los i son
los espacios muestrales asociados a los
experimentos i respectivos. La probabilidad de
la ocurrencia de los n eventos es:
P[A1⋂A2 ⋂.. ⋂An]=P[A1]P[A2]……P[An]
Ejemplo: Consideremos el experimento de
lanzar una moneda y un dado, sea el evento A:
“obtener una cara y un 6”
=1x2, donde: 1={c,s}y 2={1,2,3,4,5,6}
A=A1⋂A2 =A1A2, donde A1={c} A2={6}
Entonces:
P[A]=P[A1]P[A2]=1/2x1/6=1/12
Cuando se habla del enfoque clásico de la
probabilidad en espacios muestrales infinitos
no tiene sentido hablar del cociente de na/n ya
que el espacio muestral tiene infinitos
elementos.
Sin embargo se puede modificar este concepto
asignando probabilidades pi a todos los
sucesos wi, i=1,2,….es decir pi=P[(wi)] tal que:
1) Pi>0 , i=1,2,…..
∞
2) 𝑖=1 𝑃𝑖 = 1
Luego, se define la probabilidad de un evento
A en  de la siguiente manera.

P[A]= 𝑤𝑖∈𝐴 𝑃 𝑤𝑖 = 𝑖/𝑤𝑖∈𝐴 𝑃𝑖

Obsérvese que la sumatoria esta tomada sobre
todos los sucesos favorables ha A.
Ejemplo: Se lanza una moneda hasta que
ocurra cara. Calcular la probabilidad de
lanzarla a lo mas tres veces.
El Espacio muestral es:
={c,sc, ssc, sssc,…}
Es claro que los sucesos no tienen la misma
probabilidad así:
P[w1]=P[c]=1/2
P[w2]=P[sc]=1/2x1/2=1/22=1/4 como ya
hemos visto y así sucesivamente, en general
obtenemos:
1
P[(wi)]= 𝑖 , i=1,2,3,4,…
2
Ahora sea E el evento “lanzar tres veces”.
Entonces:
E={w1,w2,w3}={c,sc,ssc}
1 1 1 7
P[E]=P[w1]+P[w2]+P[w3]= + + =
2 4 8 8
Ejemplo 2: Se lanza un dado hasta que ocurra
4. Calcular la probabilidad de lanzar: a) tres
veces. b)A lo mas tres veces.
El espacio muestral se puede escribir así:
={4,☆4,☆☆4, ☆☆☆4,…}={w1,w2,w3,…}
Donde cada ☆ representa un resultado
diferente a 4.
P[(w1)]=1/6 ; P[(w2)]=(5/6)x(1/6)=5/36;
5 2 1 25
P[(w3)]=( ) × =
6 6 216
En general:
5 𝑖−1 1
P[(wi)]= × , i=1,2,3,…
6 6
Entonces:
5 2 1 25
a) P[(w3)]=P[(☆☆4)]=( ) × =
6 6 216
b) Si A es el evento “lanzar a lo mas tres veces”
A={4, ☆4,☆☆4}={w1,w2,w3}
1 5 1 5 2 1 91
P[A]= + ( × ) + × =
6 6 6 6 6 216
El diagrama de árbol de probabilidades que
ilustra este ejemplo es:

4 4 4……..
4

#≠4 #≠4 #≠4……

#≠4
5/6 5/6
5/6 5/6
Ejemplo 3: Usted lanza alternativamente un
dado y una moneda hasta obtener 6 en el dado
o cara en la moneda; en el primer caso gana y
en el segundo pierde. Calcular la probabilidad
de ganar.
Se debe considerar que la ocurrencia de 6 en el
dado o cara en la moneda detiene el
experimento. Enumeramos a continuación los
resultados:
w1=6; w2=☆c ; w3= ☆s6 ; w4= ☆s ☆c; ……..
Entonces ={6,c, ☆s6, ☆s☆c, ☆s ☆s6, ☆s☆s ☆c,…}
donde cada ☆ representa un número diferente de 6 con
probabilidad de 5/6 y la probabilidad que salga 6, 1/6. Sea
G el evento “Ganar” los sucesos en los cuales se gana son:
G={w1,w3,w5,w7,w9,..}
P[G]=P[(w1)]+P[(w3)]+P[(w5)]+P[(w7)]+….
1 5 1 1 5 2 1 2 1 5 3 1 3 1
= + × × + × × + × × +⋯
6 6 2 6 6 2 6 6 2 6
1 5 5 2 5 3
= 1 + + + +⋯
6 12 12 12
1 1 1 12 2
= = × =
6 1− 5 6 7 7
12
Nota:Explicación de la suma de infinitos términos.
∞
1
𝑟𝑘 = , 𝑠𝑖 𝑟 < 1
1−𝑟
𝑘=0
Una forma no muy rigurosa pero conveneiente de
demostrar esto es la siguiente:
∞
𝑟 𝑘 = 1 + 𝑟 + 𝑟 2 + 𝑟 3 + ⋯ (1)
𝑘=0
∞ 𝑘 = 𝑟 + 𝑟 2 + 𝑟 3 + ⋯ (2)
𝑘=0 𝑟
Restando 2 de 1
∞ ∞

𝑟𝑘 − 𝑟 𝑟𝑘 = 1
𝑘=0 𝑘=0
Factorizando
∞ 𝑘
𝑘=0 𝑟 1 − 𝑟 = 1 𝑦 𝑎 𝑝𝑎𝑟𝑡𝑖𝑟 𝑑𝑒 𝑒𝑠𝑡𝑜 𝑜𝑏𝑡𝑒𝑛𝑒𝑚𝑜𝑠 𝑓𝑖𝑛𝑎𝑙𝑚𝑒𝑛𝑡𝑒
∞ 𝑘
𝑘=0 𝑟 = 1 + 𝑟 + 𝑟 2 + 𝑟 3 + ⋯ =1−𝑟
1

5
En el ejemplo 3 , r=
12
El calculo de la probabilidad en los espacios muestrales
continuos es diferente a los discretos.
En los espacios muéstrales continuos se pueden crear
subconjuntos que no son eventos y por lo tanto
cualquier asignación de probabilidad que se les haga
es inconsistente con los axiomas de la probabilidad.
Sin embargo también existen los subconjuntos que son
eventos y son los que estudiaremos en esta
oportunidad.
El espacio muestral continuo tiene sus elementos de la
misma verosimilitud, esto significa que la probabilidad
que un punto ocurra en un subconjunto de , es
proporcional a la longitud del sub intervalo.
Definición de probabilidad en un espacio
muestral continuo: como la razón entre la
longitud del evento “lA” y la longitud del
espacio muestral “l”
lA
Entonces P[A]=
l
Aquí el concepto de longitud representa un
concepto mas amplio, según el caso puede ser:
longitud misma, área, volumen, etc. Mas
apropiadamente se puede hablar de medida del
evento m() y m(A), luego:
 𝑚(𝐴)
P[A]=
𝑚()
Ejemplo1: Se elige aleatoriamente un punto
dentro del segmento determinado por el
intervalo [2,10]. ¿Calcular la probabilidad que
pertenezca al segmento [3,5]?
Solución:
={x/x[2,10]} y 𝑚=10-2=8
A={x/x[3,5]} y 𝑚A=5-3=2
2 1
Luego P[A]= = =0,25
8 4
Ejemplo2: La luz de un semáforo aparece cada 4
minutos y dura un minuto para luego cambiar a
verde (por lo tanto es verde durante 3 minutos,
rojo un minuto, etc.). Cada hora en punto la luz del
semáforo cambia a rojo primeramente.
a) Si se llega al semáforo en un instante al azar
entre las 7:55 y 8:05, a.m. ¿Cual es la
probabilidad que usted tenga que detenerse
ante el semáforo?
b) Si se llega al semáforo en un instante al azar
entre las 7:54 y 8:04, a.m. ¿Cual es la
probabilidad que usted tenga que detenerse
ante el semáforo?
Suponiendo que estamos en automóvil, el
espacio muestral seria: ={t/t[7:55, 8:05]}
a) Se consideran los eventos:
A:”Detenerse ante el semáforo si llega entre las
7:55 y8:05”
R: Tiempo que dura la luz roja = 1 minuto
V: Tiempo que dura la luz verde=3 minutos
En el siguiente diagrama se presenta la
situación:
V R V R V R
7:55 7:56 7:57 8:04 8:05
8:00 8:01
m=8,05-7,55=10 minutos
mA=3R=3 minutos
mA 3
Por lo tanto la P[A]= = =0,3=30% de
m 10
probabilidad.
b) Sea el evento B:”Tener que detenerse si llega
al semáforo entre 7,54 y 8,04”
Esto se presenta el siguiente diagrama:

V R V R V
7:54 7:56 7:57 8:04
8:00 8:01
m=8,04-7,54=10 minutos
mB=2R=2 minutos
mA 2 1
Por lo tanto la P[A]= = = =0,2=20% de
m 10 5
probabilidad de detenerse.