PrincipiosProbabilidad Parte I

Principios básicos de probabilidad - Parte I
2021
Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 1

Introducción a Probabilidad

Definiciones de probabilidad
Definición clásica de probabilidad

Considere un experimento en que suceso o un evento E tiene hE
formas (posibilidades) de ocurrir, entre un total de H
posibilidades igualmente posibles.


La probabilidad que ocurra E se denota por:
hE
p(E) =
H


La probabilidad que ocurra E se denota por:
hE
p(E) =
H
Veamos un ejemplo...

Definiciones de probabilidad...continuación
Definición clásica de probabilidad...ejemplos
Considere el lanzamiento de una moneda balanceada (cara y
sello, igualmente posibles), una vez.

H sería igual a 2 porque en el lanzamiento se pueden observar
dos posibles resultados: “cara” o “sello”.
H=2

H=2
Sea el evento E: “Se observa una cara”. Entonces hE = 1, ya que

de los dos posibles resultados, solo uno es favorable al evento E.

H=2

La probabilidad que ocurra E, esto es, que se observe una
“cara” es
hE 1
p(E) = = = 0, 5
H 2

H=2

La probabilidad que ocurra E, esto es, que se observe una
“cara” es
hE 1
p(E) = = = 0, 5
H 2
Veamos otro ejemplo...

Definición clásica...ejemplos
sello, igualmente posibles), dos veces.

cuatro posibles resultados:
{CC, CS, SC, SS}
H=4

{CC, CS, SC, SS}
H=4
Sea el evento E: “se observa solo una cara”. Entonces hE = 2, ya que

de los cuatro posibles resultados, solo dos son favorables al evento E.

{CC, CS, SC, SS}
H=4

de los cuatro posibles resultados, solo dos son favorables al evento E.
La probabilidad que ocurra E, esto es, que se observe solo una
“cara” en los dos lanzamientos de la moneda es
hE 2
p(E) = = = 0, 5
H 4

{CC, CS, SC, SS}
H=4
Sea el evento E: “se observan dos caras”. Entonces hE = 1, ya que de

los cuatro posibles resultados, solo uno es favorable al evento E.

{CC, CS, SC, SS}
H=4

los cuatro posibles resultados, solo uno es favorable al evento E.
La probabilidad que ocurra E, esto es, que se observen dos “caras”
en los dos lanzamientos de la moneda es
hE 1
p(E) = = = 0, 25
H 4

sello, igualmente posibles), tres veces.

ocho posibles resultados:
{CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
H=8

H=8

de los ocho posibles resultados, solo tres son favorables al evento E.

H=8

de los ocho posibles resultados, solo tres son favorables al evento E.
La probabilidad que ocurra E, esto es, que se observe solo una
“cara” en los tres lanzamientos de la moneda es
hE 3
p(E) = = = 0, 373
H 8

H=8

los ocho posibles resultados, solo tres son favorables al evento E.

H=8

los ocho posibles resultados, solo tres son favorables al evento E.
La probabilidad que ocurra E, esto es, que se observen dos “caras”
en los tres lanzamientos de la moneda es
hE 3
p(E) = = = 0, 375
H 8

H=8
Sea el evento E: “se observan tres sellos”. Entonces hE = 1, ya que de

los ocho posibles resultados, solo uno es favorable al evento E.

H=8
Sea el evento E: “se observan tres sellos”. Entonces hE = 1, ya que de

los ocho posibles resultados, solo uno es favorable al evento E.
La probabilidad que ocurra E, esto es, que se observen tres “sellos”
en los tres lanzamientos de la moneda es
hE 1
p(E) = = = 0, 125
H 8

Considere el lanzamiento de un dado balanceado, una vez.

seis posibles resultados:
{1, 2, 3, 4, 5, 6}
H=6

{1, 2, 3, 4, 5, 6}
H=6
Sea el evento E: “se observa la cara del dado con dos puntos”.
Entonces hE = 1, ya que de los seis posibles resultados, solo uno es
favorable al evento E.

{1, 2, 3, 4, 5, 6}
H=6
Sea el evento E: “se observa la cara del dado con dos puntos”.
Entonces hE = 1, ya que de los seis posibles resultados, solo uno es
La probabilidad que ocurra E, esto es, que se observe el “2” en el
lanzamiento del dado es
hE 1
p(E) = = = 0, 167
H 6

{1, 2, 3, 4, 5, 6}
H=6
Sea el evento E: “se observa 5 o más”. Entonces hE = 2, ya que de los

seis posibles resultados, dos de ellos son favorables al evento E.

{1, 2, 3, 4, 5, 6}
H=6
Sea el evento E: “se observa 5 o más”. Entonces hE = 2, ya que de los

seis posibles resultados, dos de ellos son favorables al evento E.
La probabilidad que ocurra E, esto es, que se observe 5 o más en el
lanzamiento del dado es
hE 2
p(E) = = = 0, 333
H 6

Considere el lanzamiento de un dado dado balanceado, dos
veces.

Considere el lanzamiento de un dado dado balanceado, dos
veces.
36 posibles resultados:
(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6),
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6),
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)
H = 36

Continuación del ejemplo
Sea el evento E: “la suma de las caras es 4”. Entonces hE = 3, ya
que de los 36 posibles resultados, solo tres son favorables al
evento E.

evento E.
La probabilidad que ocurra E, esto es, que la suma de las caras
sea 4 es
hE 3
p(E) = = = 0, 083
H 36

evento E.
sea 4 es
hE 3
p(E) = = = 0, 083
H 36
Sea el evento E: “la suma de las caras es 10 o más”. Entonces
hE = 6, ya que de los 36 posibles resultados, seis son favorables
al evento E.

evento E.
sea 4 es
hE 3
p(E) = = = 0, 083
H 36
Sea el evento E: “la suma de las caras es 10 o más”. Entonces
hE = 6, ya que de los 36 posibles resultados, seis son favorables
al evento E.
sea 10 o más es
hE 6
p(E) = = = 0, 167
H 36

Continuación del ejemplo...
Sea el evento E: “la suma de las caras es menor que 6”. Entonces
hE = 10, ya que de los 36 posibles resultados, 10 son favorables
al evento E.

al evento E.
sea menor que 6 es
hE 10
p(E) = = = 0, 278
H 36

al evento E.
sea menor que 6 es
hE 10
p(E) = = = 0, 278
H 36
Sea el evento E: “la suma de las caras es entre 8 y 10, inclusive”.
Entonces hE = 12, ya que de los 36 posibles resultados, 12 son
favorables al evento E.

al evento E.
sea menor que 6 es
hE 10
p(E) = = = 0, 278
H 36
Sea el evento E: “la suma de las caras es entre 8 y 10, inclusive”.
Entonces hE = 12, ya que de los 36 posibles resultados, 12 son
sea entre 8 y 10, inclusive, es
hE 12
p(E) = = = 0, 333
H 36

hE = 0, ya que ninguno de los 36 posibles resultados es

sea menor que 2 es
hE 0
p(E) = = =0
H 36

sea menor que 2 es
hE 0
p(E) = = =0
H 36
Sea el evento E: “la suma de las caras sea menor o igual a 12”.
Entonces hE = 36, ya que los 36 posibles resultados son

sea menor que 2 es
hE 0
p(E) = = =0
H 36
Sea el evento E: “la suma de las caras sea menor o igual a 12”.
Entonces hE = 36, ya que los 36 posibles resultados son
sea menor o igual a 12 es
hE 36
p(E) = = =1
H 36

En muchas situaciones, los resultados de un experimento no son

igualmente posibles.


Considere, por ejemplo, el “experimento” que consiste en preguntar a
un habitante de calle la principal razón por la que empezó a vivir en la
calle, cuyas opciones de respuesta son:


*Consumo de sustancias psicoactivas *Por gusto personal
*Amenaza o riesgo para su vida *Dificultades económicas
o integridad física *Conflictos o dificultades familiares
*Influencia de otras personas *Siempre ha vivido en la calle
*Falta de trabajo *Abuso sexual
*Víctima del conflicto armado *Otra
o desplazado


o desplazado
Evidentemente no tienen porque ser las 11 opciones de respuesta igualmente

posibles.

Definición de probabilidad como frecuencia relativa

Cuando los resultados de un experimento no son igualmente
posibles, es incorrecto estimar la probabilidad usando el método
clásico.


clásico.
En este caso, se emplea la interpretación de la probabilidad como
una frecuencia relativa que se basa en que un experimento se
efectúa y se repite muchas veces y prácticamente bajo las
mismas condiciones.


clásico.
mismas condiciones.
Cada vez que el experimento se lleva a cabo se observa un
resultado, el cual es aleatorio.


clásico.
mismas condiciones.
Cada vez que el experimento se lleva a cabo se observa un
resultado, el cual es aleatorio.
Así, la probabilidad de un evento se aproxima por la frecuencia
relativa de los resultados.

Definición de probabilidad como frecuencia

relativa...continuación
Conforme aumenta la repetición del experimento, la frecuencia

relativa, de los resultados favorables al evento, se aproxima al
verdadero valor de la probabilidad del evento.



Si un experimento se repite n veces bajo las mismas condiciones
y nE de los resultados son favorables a un evento E, el límite de
nE
n cuando n es grande, se define como la probabilidad de
ocurrencia de E.



nE
ocurrencia de E.
nE
p(E) = limn→∞
n



nE
ocurrencia de E.
nE
p(E) = limn→∞
n

Definición de probabilidad como frecuencia relativa.
Ejemplo
Un investigador trabaja en un nuevo fármaco para insensibilizar
a los pacientes frente a picaduras de abejas.

Ejemplo
De 200 sujetos sometidos a prueba, 180 presentaron una
disminución en la gravedad de los síntomas tras sufrir una
picadura, después de ser sometidos al tratamiento.

Ejemplo
Entonces, la probabilidad que ocurra lo mismo en otro paciente,
que reciba el mismo tratamiento, es aproximadamente
nE 180
p(E) = = = 0, 90
n 200

Ejemplo
nE 180
p(E) = = = 0, 90
n 200
Basándose en este estudio, se informa que el fármaco es efectivo
en un 90 % de los casos para disminuir la reacción de pacientes
sensibles a las picaduras de abejas.

Ejemplo
nE 180
p(E) = = = 0, 90
n 200
Basándose en este estudio, se informa que el fármaco es efectivo
en un 90 % de los casos para disminuir la reacción de pacientes
sensibles a las picaduras de abejas.
Probabilidad como frecuencia relativa. Ejemplo
Nacimientos según grupos de edad de la madre, total nacional, 2018.

Teniendo en cuenta los datos de la tabla, la probabilidad que el siguiente

nacimiento sea de una madre cuya edad es menos de 20 años es
nE 5442 + 123223 128665
p(E) = = = = 0, 198
n 649115 649115

Teniendo en cuenta los datos de la tabla, la probabilidad que el siguiente

nacimiento sea de una madre cuya edad es menos de 20 años es
nE 5442 + 123223 128665
p(E) = = = = 0, 198
n 649115 649115
Fuente: Dane. Censo habitantes de Calle, Bogotá, 2019.
Principal razón para empezar a vivir en la calle Frec. Abs. Frec. Relat.
Consumo de sustancias psicoactivas 3745 0,370
Por gusto personal 874 0,086
Amenaza o riesgo para su vida o integridad física 176 0,017
Influencia de otras personas 196 0,019
Dificultades económicas 789 0,078
Falta de trabajo 423 0,042
Conflictos o dificultades familiares 3080 0,304
Abuso sexual 31 0,003
Siempre ha vivido en la calle 58 0,006
Víctima del conflicto armado o desplazado 260 0,026
Otra 483 0,048
Total 10115 1

Otra 483 0,048
Total 10115 1
Teniendo en cuenta los datos de la tabla, la probabilidad que un habitante de calle en Bogotá
haya empezado a vivir en la calle por conflictos o dificultades familiares es
nE 3080
p(E) = = = 0, 304
n 10115

Otra 483 0,048
Total 10115 1
Teniendo en cuenta los datos de la tabla, la probabilidad que un habitante de calle en Bogotá
haya empezado a vivir en la calle por conflictos o dificultades familiares o por consumo de
sustancias psicoactivas es
nE 3080 + 3745
p(E) = = = 0, 6747
n 10115

Considere datos del Inpec sobre nivel académico intramural nacional. 1
Regional Iletrados Básica Básica Educación Total

Primaria Media Superior
Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933
1
Fuente: www.inpec.gov.co. Fecha consulta Sisipec: 4 de octubre de 2020.

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933
Si se selecciona aleatoriamente un interno, ¿cuál es la probabilidad

que se encuentre en la regional Noroeste?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional Noroeste?
nE 12337
p(E) = = = 0, 123
n 99933
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que sea iletrado?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que sea iletrado?
nE 4876
p(E) = = = 0, 049
n 99933
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte y sea iletrado?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte y sea iletrado?
nE 645
p(E) = = = 0, 006
n 99933
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional Viejo Caldas y tenga educación básica
media?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional Viejo Caldas y tenga educación básica
media?
nE 6254
p(E) = = = 0, 063
n 99933
volver a A ∩ B
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte y en la regional centro?
volver a E1 ∩ E2 = φ
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte y en la regional centro?
nE 0
p(E) = = =0
n 99933
volver a E1 ∩ E2 = φ
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte o en la regional centro?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte o en la regional centro?
nE 10294 + 36598
p(E) = = = 0, 103 + 0, 366 = 0, 469
n 99933
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte o en la regional centro o en la
regional oriente?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte o en la regional centro o en la
regional oriente?
nE 10294 + 36598 + 9868
p(E) = = = 0, 103+0, 366+0, 099 = 0, 568
n 99933
volver a propiedades probabilidad
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte o sea iletrado?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional norte o sea iletrado?
nE 10294 + 4876 − 645
p(E) = = = 0, 103+0, 049−0, 006 = 0, 145
n 99933
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional central o tenga educación superior?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que se encuentre en la regional central o tenga educación superior?
nE 36598 + 3686 − 1606
p(E) = = = 0, 366+0, 037−0, 016 = 0, 387
n 99933
volver a E1 ∪ E2 volver a A ∪ B
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que NO tenga educación superior?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que NO tenga educación superior?
nE 99933 − 3686 3686
p(E) = = =1− = 1 − 0, 037 = 0, 963
n 99933 99933
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que NO se encuentre en la regional Viejo Caldas?
1

Central 1548 12020 21424 1606 36598
Occidente 832 6223 11847 593 19495
Norte 645 3301 5967 381 10294
Oriente 577 3759 5224 308 9868
Noroeste 610 3939 7313 475 12337
Viejo Caldas 664 4100 6254 323 11341
Total 4876 33342 58029 3686 99933

que NO se encuentre en la regional Viejo Caldas?
nE 99933 − 11341 11341
p(E) = = =1− = 1 − 0, 113 = 0, 887
n 99933 99933
volver a E1c
1
A la probabilidad que no ocurra E se denota por:

n − nE nE
p(No E) = =1− = 1 − p(E)
n n

A la probabilidad que no ocurra E se denota por:

n − nE nE
p(No E) = =1− = 1 − p(E)
n n
De la definición anterior, se tiene que
nE nE
p(E) + p(No E) = +1− =1
n n

Un resumen de la interpretación y/o características de probabilidades

puede ser:
Las probabilidades son números comprendidos entre 0 y 1,
inclusive.


puede ser:
inclusive.
Si la probabilidad se acerca a 1, implica que el suceso muy
posiblemente ocurra.


puede ser:
inclusive.
posiblemente ocurra.
posiblemente NO ocurra.

Si la probabilidad se acerca a 21 , implica que el suceso o evento

tiene tantas posibilidades de ocurrir como de no ocurrir .


Cuando p(E) = 1 , a E se le nombra un suceso seguro.


Cuando p(E) = 1 , a E se le nombra un suceso seguro.
Cuando p(E) = 0 , a E se le nombra un suceso imposible.

Fundamentos de teoría de conjuntos
El conjunto de todos los posibles resultados de un experimento

aleatorio recibe el nombre de espacio muestral y se va a denotar
por S.
Ejemplos:


por S.
Ejemplos:
Lanzamiento de una moneda balanceada (cara y sello), dos veces.
S = {Cara Cara, Cara Sello, Sello Cara, Sello Sello}


por S.
Ejemplos:
Lanzamiento de una moneda balanceada (cara y sello), tres veces.
S ={Cara Cara Cara, Cara Cara Sello, Cara Sello Cara,

Sello Cara Cara, Cara Sello Sello, Sello Cara Sello,
Sello Sello Cara, Sello Sello Sello}


por S.
Ejemplos:
Lanzamiento de un dado balanceado, una vez.
S = {1, 2, 3, 4, 5, 6}


por S.
Ejemplos:
Lanzamiento de un dado dado balanceado, dos veces.
S ={(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6),
(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6),
(4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}


por S.
Ejemplos:
Considere, el “experimento” que consiste en preguntar a un habitante
de calle la principal razón por la que empezó a vivir en la calle. En
este caso S estaría conformado por:
o desplazado

Fundamentos de teoría de conjuntos...continuación
No siempre se pueden enumerar los elementos del espacio
muestral.

muestral.
Ejemplo: Peso de un niño al nacer en Kg.

muestral.
Un evento del espacio muestral es un subconjunto del espacio
muestral.

muestral.
muestral.
Ejemplo:
En el lanzamiento de una moneda balanceada (cara y sello), dos
veces, un evento puede ser “se obtiene solo una cara”.

muestral.
muestral.
Ejemplo:
En el lanzamiento de una moneda balanceada (cara y sello), tres
veces, un evento puede ser “solo se observan sellos”.

muestral.
muestral.
Ejemplo:
En el lanzamiento de una moneda balanceada (cara y sello), tres
veces, un evento puede ser “solo se observan sellos”.
En el lanzamiento de un dado balanceado, una vez, un evento
puede ser “se observa 5 o más”.

muestral.
muestral.
Ejemplo:
En el lanzamiento de un dado dado balanceado, dos veces, un
evento puede ser “la suma de las caras es mayor a 1”.

muestral.
muestral.
Ejemplo:
En el lanzamiento de un dado dado balanceado, dos veces, un
evento puede ser “la suma de las caras es mayor a 1”.
En el caso de preguntarle a un habitante de calle la principal
razón por la que empezó a vivir en la calle, un evento puede ser
por “Consumo de sustancias psicoactivas o por Conflictos o
dificultades familiares”.

El evento que contiene a ningún resultado del espacio muestral

recibe el nombre de evento nulo o vacío.
Ejemplo:

El evento que contiene a ningún resultado del espacio muestral

recibe el nombre de evento nulo o vacío.
Ejemplo:
En el lanzamiento de un dado dado balanceado, dos veces, el evento
“la suma de las caras es mayor a 12” es un evento vacío o evento
imposible.

Para ver la relación entre varios eventos, sus uniones e

intersecciones graficamente, se puede usar un Diagrama de Venn.


Sean dos eventos E1 y E2 en un espacio muestral S.
El evento conformado por todos los posibles resultados en E1 o en E2

recibe el nombre de la unión de E1 y E2 y se denota por E1 ∪ E2 .
ir a ejemplo


El evento formado por los posibles resultados comunes tanto a E1

como a E2 recibe el nombre de la intersección de E1 y E2 y se denota
por E1 ∩ E2 .
ir a ejemplo


Se dice que los eventos E1 y E2 son mutuamente excluyentes ó

disyuntos si NO tienen resultados en común; o sea, E1 ∩ E2 = φ ≡
evento vacío.
ir a ejemplo


Si cualquier resultado de E1 también es resultado de E2 , se dice que el

evento E1 esta contenido en E2 y se denota E1 ⊂ E2 .


El complemento de un evento E con respecto al espacio muestral S, es

aquel que contiene a todos los resultados de S que NO se encuentran en
E y se denota por Ec .
ir a ejemplo

Como se ha venido observando, la probabilidad es un número que se
asigna a cada miembro de una colección de eventos de un
experimento aleatorio y que satisface ciertas propiedades.

Si S es el espacio muestral y E es cualquier evento del experimento
aleatorio,

aleatorio,
1 p(S) = 1
Ejemplos:

aleatorio,
1 p(S) = 1
Ejemplos:
Lanzamiento de una moneda balanceada (cara y sello), dos veces.
S = {Cara
| {zCara}, Cara
| {zSello}, Sello | {zSello}}
| {zCara}, Sello
1 1 1 1
4 4 4 4

aleatorio,
1 p(S) = 1
Ejemplos:
Lanzamiento de una moneda balanceada (cara y sello), tres veces.
S ={Cara
| {z Cara}, Cara
Cara | {z Sello}, Cara
Cara | {z Cara},
Sello
1 1 1
8 8 8
Sello
| {z Cara}, Cara
Cara | {z Sello}, Sello
Sello | {z Sello},
Cara
1 1 1
8 8 8
Sello
| {z Cara}, Sello
Sello | {z Sello}}
Sello
1 1
8 8

aleatorio,
1 p(S) = 1
Ejemplos:
Lanzamiento de un dado balanceado, una vez.
S = {|{z}
1 , |{z}
2 , |{z} 4 , |{z}
3 , |{z} 6 }
5 , |{z}
1 1 1 1 1 1
6 6 6 6 6 6

aleatorio,
1 p(S) = 1
Ejemplos:
Considere, el “experimento” que consiste en preguntar a un habitante de calle la
principal razón por la que empezó a vivir en la calle. En este caso S estaría
conformado por:
*Consumo de sustancias psicoactivas (0,370) *Por gusto personal (0,086)
*Amenaza o riesgo para su vida *Dificultades económicas (0,078)
o integridad física (0,017) *Conflictos o dificultades
*Influencia de otras personas (0,019) familiares (0,304)
*Falta de trabajo (0,042) *Siempre ha vivido en la calle (0,006)
*Víctima del conflicto armado *Abuso sexual (0,003)
o desplazado (0,026) *Otra (0,048)
Entre paréntesis la probabilidad de la categoría desde la definición de probabilidad como frencuencia relativa.

aleatorio,
2 p(E) ≥ 0


aleatorio,
2 p(E) ≥ 0
3 Si para los eventos E1 , E2 , E3 , . . . , la intersección Ei ∩ Ej = φ,
para todo i 6= j . Entonces,


aleatorio,
2 p(E) ≥ 0
3 Si para los eventos E1 , E2 , E3 , . . . , la intersección Ei ∩ Ej = φ,
para todo i 6= j . Entonces,
p(E1 ∪ E2 ∪ E3 ∪ . . . ) = p(E1 ) + p(E2 ) + p(E3 ) + p(E4 ) + . . .
ir a ejemplo

Unión e intersección de eventos
Sean A y B eventos del espacio muestral S, entonces
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
ir a ejemplo

Unión e intersección de eventos
Sean A y B eventos del espacio muestral S, entonces
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
ir a ejemplo Nota: P(φ) = 0. Esto es, la probabilidad del conjunto vacío

es cero.
Unión e intersección de eventos...continuación
Como consecuencia de lo anterior, si A y B son mutuamente
excluyentes, es decir, si A ∩ B = φ, entonces:
p(A ∪ B) = p(A) + p(B)

p(A ∪ B) = p(A) + p(B)
Si A y Ac son dos eventos complementarios, entonces:
p(A ∪ Ac ) = p(A) + p(Ac ) = 1

p(A ∪ B) = p(A) + p(B)
p(A ∪ Ac ) = p(A) + p(Ac ) = 1
Note que si S es el espacio muestral, Sc = φ (conjunto vacío). Luego
p(S) + p(φ) = 1

p(A ∪ B) = p(A) + p(B)
p(A ∪ Ac ) = p(A) + p(Ac ) = 1
p(S) + p(φ) = 1
p(S) +p(φ) = 1
|{z}
1

p(A ∪ B) = p(A) + p(B)
p(A ∪ Ac ) = p(A) + p(Ac ) = 1
p(S) + p(φ) = 1
p(S) +p(φ) = 1
|{z}
1
p(φ) = 0

Probabilidad de la intersección de eventos

Tenemos que
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
entonces


Tenemos que
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
entonces
p(A ∪ B) + p(A ∩ B) = p(A) + p(B) − p(A ∩ B) + p(A ∩ B)


Tenemos que
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
entonces

p(A ∪ B) + p(A ∩ B) = p(A) + p(B)


Tenemos que
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
entonces

p(A ∪ B) + p(A ∩ B) = p(A) + p(B)
p(A ∪ B) + p(A ∩ B) − p(A ∪ B) = p(A) + p(B) − p(A ∪ B)


Tenemos que
p(A ∪ B) = p(A) + p(B) − p(A ∩ B)
entonces

p(A ∪ B) + p(A ∩ B) = p(A) + p(B)
p(A ∪ B) + p(A ∩ B) − p(A ∪ B) = p(A) + p(B) − p(A ∪ B)
p(A ∩ B) = p(A) + p(B) − p(A ∪ B)

Probabilidad de la intersección de eventos. Ejemplo
La probabilidad que una industria se ubique en Munich (M) es de 0,7; que se
localice en Brucelas (B) es 0,4 y que se encuentre ya sea en Brucelas o en
Munich es 0,8.

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
• ¿Cuál es la probabilidad que la industria se localice en ambas ciudades?

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
Nos están preguntando p(M ∩ B) =?.

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
Se sabe que para dos eventos A y B,
p(A ∩ B) = p(A) + p(B) − p(A ∪ B)

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p(A ∩ B) = p(A) + p(B) − p(A ∪ B)
Reemplazando...
p(M ∩ U) = p(M) + p(U) − p(M ∪ U) = 0, 7 + 0, 4 − 0, 8 = 0, 3

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p(A ∩ B) = p(A) + p(B) − p(A ∪ B)
Reemplazando...
p(M ∩ U) = p(M) + p(U) − p(M ∪ U) = 0, 7 + 0, 4 − 0, 8 = 0, 3
Así, la probabilidad que la industria se localice en ambas ciudades es 0,3.

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
• ¿Cuál es la probabilidad que la industria no se localice en ninguna de ellas?

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
Nos están preguntando ¿p [(M ∪ B)c ] =?.

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
De p(A ∪ Ac ) = p(A) + p(Ac ) = 1, despejando...

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p [(M ∪ B)c ] + p (M ∪ B) = 1

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p [(M ∪ B)c ] + p (M ∪ B) = 1
p [(M ∪ B)c ] = 1 − p (M ∪ B)

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p [(M ∪ B)c ] + p (M ∪ B) = 1
p [(M ∪ B)c ] = 1 − p (M ∪ B)
p [(M ∪ B)c ] = 1 − 0, 8

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p [(M ∪ B)c ] + p (M ∪ B) = 1
p [(M ∪ B)c ] = 1 − p (M ∪ B)
p [(M ∪ B)c ] = 1 − 0, 8
p [(M ∪ B)c ] = 0, 2

Munich es 0,8.
Se tiene que
p(M) = 0, 7, p(B) = 0, 4 y p(M ∪ B) = 0, 8
p [(M ∪ B)c ] + p (M ∪ B) = 1
p [(M ∪ B)c ] = 1 − p (M ∪ B)
p [(M ∪ B)c ] = 1 − 0, 8
p [(M ∪ B)c ] = 0, 2
La probabilidad que la industria no se localice ni en Bruselas, ni en Munich

es 0,2
Probabilidad condicional
La probabilidad que un evento B ocurra cuando se sabe que ya ocurrió

un evento A se llama probabilidad condicional y se indica por p(B/A),
que se lee como probabilidad que “ocurra B dado que ocurrió A”. Se
define como:
p(A ∩ B)
p(B/A) = si p(A) > 0
p(A)

Probabilidad condicional
La probabilidad que un evento B ocurra cuando se sabe que ya ocurrió

un evento A se llama probabilidad condicional y se indica por p(B/A),
que se lee como probabilidad que “ocurra B dado que ocurrió A”. Se
define como:
p(A ∩ B)
p(B/A) = si p(A) > 0
p(A)

Probabilidad condicional. Ejemplo.
Suponga que personas aquejadas de cierta enfermedad fueron asignadas a
dos tratamientos: uno en que se les asignó un suero A y el otro sin suero.
Curados (C) No Curados(NC) Total

Grupo A (Usando suero) 72 23 95
Grupo B (Sin suero) 67 38 105
Total 139 61 200


Total 139 61 200
• ¿Cuál es la probabilidad que una persona que se curó se hubiera asignado

al grupo sin suero?


Total 139 61 200

al grupo sin suero?
67
p(B ∩ C) 200 67
p(Sin suero/Curado) = p(B/C) = = 139
= = 0, 4820
p(C) 200
139


Total 139 61 200

al grupo sin suero?
67
p(B ∩ C) 200 67
= = 0, 4820
p(C) 200
139
Concluyendo que la probabilidad que una persona curada se hubiera

asignado al grupo sin suero es 0,482.


Total 139 61 200
• ¿Cuál es la probabilidad que una persona que no se curó se hubiera

asignado al grupo sin suero?


Total 139 61 200

38
p(B ∩ NC) 200 38
p(Sin suero/No Curado) = p(B/NC) = = 61
= = 0, 62295
p(NC) 200
61


Total 139 61 200

38
p(B ∩ NC) 200 38
= = 0, 62295
p(NC) 200
61
Entonces, la probabilidad que una persona que no se curó se hubiera



Total 139 61 200


Total 139 61 200

al grupo sin suero?


Total 139 61 200

al grupo sin suero?
67
p(B ∩ C) 200 67
= = 0, 4820
p(C) 200
139


Total 139 61 200

al grupo sin suero?
67
p(B ∩ C) 200 67
= = 0, 4820
p(C) 200
139
Concluyendo que la probabilidad que una persona curada se hubiera



Total 139 61 200



Total 139 61 200

38
p(B ∩ NC) 200 38
= = 0, 62295
p(NC) 200
61


Total 139 61 200

38
p(B ∩ NC) 200 38
= = 0, 62295
p(NC) 200
61
Entonces, la probabilidad que una persona que no se curó se hubiera



Total 139 61 200
• Si una persona es asignada al grupo con suero, ¿cuál es la probabilidad que

no se cure?


Total 139 61 200

no se cure?
23
p(NC ∩ A) 200 23
p(No curado/Con suero) = p(NC/A) = = 95
= = 0, 2421
p(A) 200
95


Total 139 61 200

no se cure?
23
p(NC ∩ A) 200 23
p(No curado/Con suero) = p(NC/A) = = 95
= = 0, 2421
p(A) 200
95
Si una persona es asignada al grupo con suero, la probabilidad que no se

cure es 0,242.

Teniendo en cuenta los datos de la tabla,


• Si el siguiente nacimiento es una niña, ¿cuál es la probabilidad que la
madre sea mayor de 44 años?


• Si el siguiente nacimiento es una niña, ¿cuál es la probabilidad que la
madre sea mayor de 44 años?
511+67
p(45 + ∩M) 649115 511 + 67
P(Ed. 45 y más/Niña) = p(45 + /M) = = 316303
=
p(M) 649115
316303
= 0, 002


• Si la madre del siguiente nacimiento tiene entre 20 y 24 años, ¿cuál es la
probabilidad que el bebé sea un niño?


• Si la madre del siguiente nacimiento tiene entre 20 y 24 años, ¿cuál es la
probabilidad que el bebé sea un niño?
95823
p(H ∩ 20-24A.) 649115 95823
P(Hombre/20-24Años) = = 186468
= = 0, 514
p(20-24A.) 649115
186468

Regla de multiplicación
Si A y B son eventos contenidos en un espacio muestral S y p(A) > 0

y p(B) > 0, entonces
p(A ∩ B) = p(A/B)p(B) = p(B/A)p(A)

Regla de multiplicación
Si A y B son eventos contenidos en un espacio muestral S y p(A) > 0

y p(B) > 0, entonces
p(A ∩ B) = p(A/B)p(B) = p(B/A)p(A)

Regla de multiplicación. Ejemplo.
El uso de la presencia de plantas en la exploración de depósitos de

minerales se denomina exploración geobotánica.


Una pequeña planta de menta con una flor de color malva es un
indicador del cobre.


Suponga que en una región dada, existe un 30 % de probabilidad que el
suelo tenga un alto contenido de cobre y un 23 % de probabilidad que
la menta esté presente en ese lugar.


Si el contenido de cobre es alto, existe un 70 % de probabilidad que
esté presente la menta.


¿Cuál es la probabilidad que el contenido de cobre sea alto y que la
menta esté presente?


Sea
A el evento: “el suelo tiene un alto contenido de cobre” y
B el evento: “La menta está presente en ese lugar”.


la menta esté presente en ese lugar. p(A) = 0, 3 y p(B) = 0, 23
Sea


esté presente la menta. p(B/A) = 0, 7
Sea


esté presente la menta. p(B/A) = 0, 7
menta esté presente? ¿p(A ∩ B) =?
Sea

Regla de multiplicación. Ejemplo...continuación.

Entonces...
p(El suelo tiene un alto contenido de cobre) = p(A) = 0, 3

P(La menta está presente en ese lugar) = p(B) = 0, 23 y
P(La menta está presente en ese lugar / El suelo
tiene un alto contenido de cobre) = p(B/A) = 0, 7.


Entonces...

Están preguntando ¿p(A ∩ B) =?.


Entonces...


Luego
p(A ∩ B)
p(B/A) = ⇒ p(A ∩ B) = p(B/A)p(A) = 0, 7 × 0, 3 = 0, 21
p(A)
Concluyendo que la probabilidad que el contenido de cobre sea alto y que la

menta este presente es 0,21.


Entonces...


Luego
p(A ∩ B)
p(B/A) = ⇒ p(A ∩ B) = p(B/A)p(A) = 0, 7 × 0, 3 = 0, 21
p(A)
Concluyendo que la probabilidad que el contenido de cobre sea alto y que la

menta este presente es 0,21.

Considere el experimento en que se extrae una bola de la

urna, se observa el color, y luego se extrae una segunda
bola de la urna en que se vuelve a observar el color. Vale
aclarar que la primera bola extraída no se regresa a la urna.


• ¿Cuál es la probabilidad que en las dos extracciones sean bolas rojas?



Sean los eventos “La primera bola es roja” (A) y “la segunda bola es roja”
(B).



(B).
Se tiene
6
p(Primera bola es roja) = p(A) =
= 0, 4
15
5
P(Segunda bola roja/primera bola roja) = p(B/A) = = 0, 357
14



(B).
Se tiene
6
= 0, 4
15
5
14

6 5
p(A) = = 0, 4 y p(B/A) = = 0, 357
15 14
Entonces
p(A ∩ B) = p(B/A)p(A) = 0, 357 × 0, 4 = 0, 143


6 5
p(A) = = 0, 4 y p(B/A) = = 0, 357
15 14
Entonces
p(A ∩ B) = p(B/A)p(A) = 0, 357 × 0, 4 = 0, 143
Concluyendo que la probabilidad que en las dos extracciones sean bolas

rojas es 0,143.

Regla de multiplicación. Ejemplos...continuación



• ¿Cuál es la probabilidad que la primera bola sea roja y la segunda verde?



Sean los eventos “La primera bola es roja” (A) y “la segunda bola es verde”
(B).



(B).
Se tiene
6
= 0, 4
15
4
P(Segunda bola verde/primera bola roja) = p(B/A) = = 0, 286
14



(B).
Se tiene
6
= 0, 4
15
4
P(Segunda bola verde/primera bola roja) = p(B/A) = = 0, 286
14

6 4
p(A) = = 0, 4 y p(B/A) = = 0, 286
15 14
Entonces
p(A ∩ B) = p(B/A)p(A) = 0, 286 × 0, 4 = 0, 114


6 4
p(A) = = 0, 4 y p(B/A) = = 0, 286
15 14
Entonces
p(A ∩ B) = p(B/A)p(A) = 0, 286 × 0, 4 = 0, 114
Concluyendo que la probabilidad que la primera bola sea roja y la segunda

verde es 0,114.


aclarar que la primera bola extraída se regresa a la urna.





(B).



(B).
Se tiene
6
= 0, 4
15
6
15



(B).
Se tiene
6
= 0, 4
15
6
15

6 6
p(A) = = 0, 4 y p(B/A) = = 0, 4
15 15
Entonces
p(A ∩ B) = p(B/A)p(A) = p(B)p(A) = 0, 4 × 0, 4 = 0, 16


6 6
p(A) = = 0, 4 y p(B/A) = = 0, 4
15 15
Entonces
p(A ∩ B) = p(B/A)p(A) = p(B)p(A) = 0, 4 × 0, 4 = 0, 16
Concluyendo que la probabilidad que en las dos extracciones sean bolas

rojas es 0,16.

Eventos independientes
Dos eventos son independientes si un evento puede producirse

con independencia del otro evento, es decir,


la realización o no-realización de un evento no tiene efecto
alguno sobre la probabilidad de la realización o no del otro
evento.


evento.
Matemáticamente, sean A y B dos eventos tales que p(A) > 0 y
p(B) > 0. Estos eventos son independientes, si y sólo si,
p(B/A) = p(B) y p(A/B) = p(A)
De otra forma A y B son dependientes.


evento.
p(B/A) = p(B) y p(A/B) = p(A)

Nota: Si p(A ∩ B) 6= p(A)p(B) se puede concluir que los eventos
A y B NO son independientes.


evento.
p(B/A) = p(B) y p(A/B) = p(A)

Nota: Si p(A ∩ B) 6= p(A)p(B) se puede concluir que los eventos
A y B NO son independientes.

Eventos independientes. Ejemplo
Se estima que entre la población total de Estados Unidos, el 55 %
padece de obesidad (A), el 20 % es hipertensa (B) y el 60 % es obesa o
hipertensa.

hipertensa.
¿Es, de hecho, independiente el que una persona sea obesa de que
padezca hipertensión?

hipertensa.
Sean los eventos “La persona tiene obesidad” (A) y “La persona tiene
hipertensión” (B).

hipertensa. p(A) = 0, 55
Se tiene:
p(Obesidad) = p(A) = 0, 55

hipertensa. p(A) = 0, 55, p(B) = 0, 2
Se tiene:
p(Hipertensión) = p(B) = 0, 2 y

hipertensa. p(A) = 0, 55, p(B) = 0, 2 y p(A ∪ B) = 0, 6
Se tiene:
p(Hipertensión) = p(B) = 0, 2 y
p(Obesidad o Hipertensión) = p(A ∪ B) = 0, 6.

Por la intersección de eventos se tiene que:
p(A ∩ B) = p(A) + p(B) − p(A ∪ B)

p(A ∩ B) = p(A) + p(B) − p(A ∪ B) = 0, 55 + 0, 2 − 0, 6 = 0, 15.

p(A ∩ B) = p(A) + p(B) − p(A ∪ B) = 0, 55 + 0, 2 − 0, 6 = 0, 15.
Pero
p(A)p(B) = 0, 55 × 0, 2 = 0, 11 6= 0, 15 = p(A ∩ B)

p(A ∩ B) = p(A) + p(B) − p(A ∪ B) = 0, 55 + 0, 2 − 0, 6 = 0, 15.
Pero
p(A)p(B) = 0, 55 × 0, 2 = 0, 11 6= 0, 15 = p(A ∩ B)
Concluyendo que, los eventos tener obesidad (A) y ser hipertenso (B) no son
independientes.

Adicionalmente
p(A ∩ B) 0, 15
p(Hipertenso/Obeso) = p(B/A) = =
p(A) 0, 55
= 0, 27 6= p(B) = p(Hipertenso)

Adicionalmente
p(A ∩ B) 0, 15
p(Hipertenso/Obeso) = p(B/A) = =
p(A) 0, 55
= 0, 27 6= p(B) = p(Hipertenso)
En otras palabras, el hecho que una persona tenga exceso de peso aumenta la
probabilidad que tenga hipertensión.

Teorema de Bayes

Teorema de Bayes
E1 S
E2
Sean E1 y E2 una partición de S (espacio muestral)
E1 ∪ E2 = S y
E1 ∩ E2 = φ

Teorema de Bayes
E1 S
E2
Sean E1 y E2 una partición de S (espacio muestral)
E1 ∪ E2 = S y
E1 ∩ E2 = φ
Sean p(E1 ) y p(E2 ) las probabilidades de los eventos E1 y E2 ,

respectivamente, y

Teorema de Bayes
E1 S
B
E2
Sean las probabilidades condicionadas p(B/E1 ) y p(B/E2 ).

Teorema de Bayes
E1 S
B
E2

Entonces
p(E1 ∩ B)
p(E1 /B) =
p(B)

Teorema de Bayes
E1 S
B
E1 ∩ B
E2

Entonces
p(E1 ∩ B)
p(E1 /B) =
p(B)

Teorema de Bayes
E1 S
B
E1 ∩ B E2 ∩ B
E2

Entonces
p(E1 ∩ B)
p(E1 /B) =
p(B)

Teorema de Bayes
E1 S
B
E1 ∩ B E2 ∩ B
E2

Entonces
p(E1 ∩ B) p(E1 ∩ B)
p(E1 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 )

Teorema de Bayes
E1 S
B
E1 ∩ B E2 ∩ B
E2

Entonces
p(E1 ∩ B) p(E1 ∩ B)
p(E1 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 )
p(B/E1 )p(E1 )
p(E1 /B)=
p(B/E1 )p(E1 ) + p(B/E2 )p(E2 )

Teorema de Bayes
E1 S
B
E1 ∩ B E2 ∩ B
E2

Entonces
p(E1 ∩ B) p(E1 ∩ B)
p(E1 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 )
p(B/E1 )p(E1 )
p(E1 /B)=
p(B/E1 )p(E1 ) + p(B/E2 )p(E2 )
Teorema de Bayes. Ejemplo.
Suponga que en un centro medico, de todos los fumadores de

quienes se sospechaba que tenían cáncer pulmonar, el 90 % lo
tenía, mientras que únicamente el 5 % de los no fumadores lo
padecían.


padecían.
Si la proporción de fumadores es 0,45,
¿cuál es la probabilidad que un paciente con cáncer pulmonar,
seleccionado al azar, sea fumador?


padecían.
Sean los eventos:
E1 : “El paciente es fumador”
E2 : “El paciente no es fumador”
B: “El paciente tiene cáncer pulmonar”


padecían. p(B/E1 ) = 0, 9
Sean los eventos:


padecían. p(B/E1 ) = 0, 9 y p(B/E2 ) = 0, 05.
Sean los eventos:


padecían. p(B/E1 ) = 0, 9 y p(B/E2 ) = 0, 05.
Si la proporción de fumadores es 0,45, p(E1 ) = 0, 45.
Sean los eventos:

Teorema de Bayes. Ejemplo...continuación



Se tiene:
p(B/E1 ) = 0, 9
p(B/E2 ) = 0, 05
p(E1 ) = 0, 45 entonces
p(E2 ) = 1 − p(E1 ) = 0, 55


Se tiene:
p(B/E1 ) = 0, 9
p(B/E2 ) = 0, 05
p(E2 ) = 1 − p(E1 ) = 0, 55
Preguntan ¿P(E1 /b) =??


Se tiene:
p(B/E1 ) = 0, 9
p(B/E2 ) = 0, 05
p(E2 ) = 1 − p(E1 ) = 0, 55

p(B ∩ E1 )
p(E1 /B) =
p(B ∩ E1 ) + p(A ∩ E2 )


Se tiene:
p(B/E1 ) = 0, 9
p(B/E2 ) = 0, 05
p(E2 ) = 1 − p(E1 ) = 0, 55

p(B ∩ E1 ) p(B/E1 )p(E1 )
p(E1 /B) = =
p(B ∩ E1 ) + p(A ∩ E2 ) p(B/E1 )p(E1 ) + p(B/E2 )p(E2 )


Se tiene:
p(B/E1 ) = 0, 9
p(B/E2 ) = 0, 05
p(E2 ) = 1 − p(E1 ) = 0, 55

p(B ∩ E1 ) p(B/E1 )p(E1 )
p(E1 /B) = =
(0, 90)(0, 45)
= = 0, 9364
(0, 9)(0, 45) + (0, 05)(0, 55)


Se tiene:
p(B/E1 ) = 0, 9
p(B/E2 ) = 0, 05
p(E2 ) = 1 − p(E1 ) = 0, 55

p(B ∩ E1 ) p(B/E1 )p(E1 )
p(E1 /B) = =
(0, 90)(0, 45)
= = 0, 9364
(0, 9)(0, 45) + (0, 05)(0, 55)
Concluyendo que la probabilidad que un paciente con cáncer pulmonar, sea fumador
es 0,936.
Teorema de Bayes. Ejemplos. Continuacion
Suponga que en una universidad, de todos los admitidos a una carrera

de ciencias humanas, el 54,2 % fue admitido en el primer semestre del
año, mientras que de los admitidos a otras carreras, el 50,8 % fue
admitido en el primer semestre del año.


Si la proporción de estudiantes admitidos a una carrera de ciencias

humanas en el transcurso de un año es 0,167,
¿cuál es la probabilidad que un estudiante admitido en el primer
semestre del año, haya ingresado a una carrera de ciencias humanas?



Sean los eventos:
E1 : “El estudiante fue admitido a una carrera de Ciencias Humanas”
E2 : “El estudiante fue admitido a una carrera diferente del área de
Ciencias Humanas”
B: “El estudiante fue admitido en el primer semestre del año”


admitido en el primer semestre del año. p(B/E1 ) = 0, 542

Sean los eventos:
Ciencias Humanas”


admitido en el primer semestre del año. p(B/E1 ) = 0, 542 y
p(B/E2 ) = 0, 508.
Sean los eventos:
Ciencias Humanas”


admitido en el primer semestre del año. p(B/E1 ) = 0, 542 y
p(B/E2 ) = 0, 508.
humanas en el transcurso de un año es 0,167, p(E1 ) = 0, 167.
Sean los eventos:
Ciencias Humanas”




Se tiene:
p(B/E1 ) = 0, 542
p(B/E2 ) = 0, 508
p(E2 ) = 1 − p(E1 ) = 0, 833


Se tiene:
p(B/E1 ) = 0, 542
p(B/E2 ) = 0, 508
p(E2 ) = 1 − p(E1 ) = 0, 833
Preguntan ¿p(E1 /B) =??


Se tiene:
p(B/E1 ) = 0, 542
p(B/E2 ) = 0, 508
p(E2 ) = 1 − p(E1 ) = 0, 833

p(B ∩ E1 )
p(E1 /B) =
p(B ∩ E1 ) + p(B ∩ E2 )


Se tiene:
p(B/E1 ) = 0, 542
p(B/E2 ) = 0, 508
p(E2 ) = 1 − p(E1 ) = 0, 833

p(B ∩ E1 ) p(B/E1 )p(E1 )
p(E1 /B) = =
p(B ∩ E1 ) + p(B ∩ E2 ) p(B/E1 )p(E1 ) + p(B/E2 )p(E2 )


Se tiene:
p(B/E1 ) = 0, 542
p(B/E2 ) = 0, 508
p(E2 ) = 1 − p(E1 ) = 0, 833

p(B ∩ E1 ) p(B/E1 )p(E1 )
p(E1 /B) = =
(0, 542)(0, 167)
= = 0, 176
(0, 542)(0, 167) + (0, 508)(0, 833)


Se tiene:
p(B/E1 ) = 0, 542
p(B/E2 ) = 0, 508
p(E2 ) = 1 − p(E1 ) = 0, 833

p(B ∩ E1 ) p(B/E1 )p(E1 )
p(E1 /B) = =
(0, 542)(0, 167)
= = 0, 176
(0, 542)(0, 167) + (0, 508)(0, 833)
Concluyendo que la probabilidad que un estudiante admitido en el primer semestre
del año, haya ingresado a una carrera de ciencias humanas es 0,176
Teorema de Bayes. Generalización

E3
E1 S
E2 ... Ek

E3
E1 S
E2 ... Ek
Sean E1 , E2 , E3 , . . . , Ek , k eventos
k mutuamente excluyentes, de los
P
cuales al menos uno ocurre p(Ei ) = 1 entonces:
i=1

E3
E1 B S
E2 ... Ek
P
i=1
p(Ej /B) =

E3
E1 B S
E2 ... Ek
P
i=1
p(Ej ∩ B)
p(Ej /B) =
p(B)

E3
E1 B S
E2 ∩ B
E2 ... Ek
P
i=1
p(Ej ∩ B)
p(Ej /B) =
p(B)

E3
E1 B S
E3 ∩ B
E2 ∩ B
E2 ... Ek
P
i=1
p(Ej ∩ B)
p(Ej /B) =
p(B)

E3
E1 B S
E3 ∩ B
E2 ∩ B
E2 ... Ek
P
i=1
p(Ej ∩ B)
p(Ej /B) =
p(B)

E3
E1 B S
Ek ∩ B
E3 ∩ B
E2 ∩ B
E2 ... Ek
P
i=1
p(Ej ∩ B)
p(Ej /B) =
p(B)

E3
E1 B S
Ek ∩ B
E3 ∩ B
E2 ∩ B
E2 ... Ek
P
i=1
p(Ej ∩ B) p(Ej ∩ B)
p(Ej /B) = = k
p(B) P
p(Ei ∩ B)
i=1

E3
E1 B S
Ek ∩ B
E3 ∩ B
E2 ∩ B
E2 ... Ek
P
i=1
p(Ej ∩ B) p(Ej ∩ B) p(B/Ej )p(Ej )

p(Ej /B) = = k = k
p(B) P P
p(Ei ∩ B) p(B/Ei )p(Ei )
i=1 i=1
Veamos dos ejemplos...

Teorema de Bayes. Generalización. Ejemplos
Suponga que se distribuye pelotas de colores en tres cajas idénticas de la
siguiente manera:
Caja 1 Caja 2 Caja 3
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
Una caja se selecciona aleatoriamente, de ella se saca una pelota, también

aleatoriamente, y se observa que es roja.

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

¿Cuál es la probabilidad que la caja 3 sea la que se había escogido?

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

Sean los eventos:
E1 : “Se selecciona la caja 1”
B: “La pelota seleccionada es roja”

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

Sean los eventos:
E1 : “Se selecciona la caja 1” p(E1 ) = 1/3

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

Sean los eventos:

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

Sean los eventos:

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

Sean los eventos:
B: “La pelota seleccionada es roja” p(B/E1 ) = 2/10, p(B/E2 ) = 4/8
p(B/E3 ) = 3/10

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3

Sean los eventos:
B: “La pelota seleccionada es roja” p(B/E1 ) = 2/10, p(B/E2 ) = 4/8
p(B/E3 ) = 3/10
Preguntan ¿p(E3 /B) =?

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
p(E1 ) = p(E2 ) = p(E3 ) = 1/3, p(B/E1 ) = 2/10, p(B/E2 ) = 4/8 y p(B/E3 ) = 3/10.
¿p(E3 /B) =?

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
¿p(E3 /B) =?
p(B ∩ E3 )
p(E3 /B) =
p(B)

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
¿p(E3 /B) =?
p(B ∩ E3 ) p(B ∩ E3 )
p(E3 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
¿p(E3 /B) =?
p(B ∩ E3 ) p(B ∩ E3 )
p(E3 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )
p(B/E3 )p(E3 )
=
p(B/E1 )p(E1 ) + p(B/E2 )p(B2 ) + p(B/E3 )p(E3 )

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
¿p(E3 /B) =?
p(B ∩ E3 ) p(B ∩ E3 )
p(E3 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )
p(B/E3 )p(E3 )
=
(3/10)(1/3)
= = 0, 3
(2/10)(1/3) + (4/8)(1/3) + (3/10)(1/3)

siguiente manera:
Roja 2 4 3
azul 3 1 4
Negra 5 3 3
¿p(E3 /B) =?
p(B ∩ E3 ) p(B ∩ E3 )
p(E3 /B) = =
p(B) p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )
p(B/E3 )p(E3 )
=
(3/10)(1/3)
= = 0, 3
(2/10)(1/3) + (4/8)(1/3) + (3/10)(1/3)
Así, la probabilidad que la caja 3 haya sido la que se seleccionó es 0,3.

Los clientes se encargan de evaluar los diseños preliminares de varios
productos2 .
En el pasado, el 95 % de los productos con mayor éxito en el mercado
recibieron buenas evaluaciones,
2
Fuente: Montgomery, D. & Runger, G. (1996). Probabilidad y Estadística aplicadas a la ingeniería. Primera edición.
México: McGraw-Hill. [p.93]
productos2 .
el 60 % de los productos con éxito moderado recibieron buenas evaluaciones y
2
productos2 .
el 10 % de productos de escaso éxito recibieron buenas evaluaciones.
2
productos2 .
Además, el 40 % de los productos ha tenido mucho éxito,
2
productos2 .

el 35 % un éxito moderado,
2
productos2 .

el 25 % una baja aceptación.
2
productos2 .

Sean los eventos:
E1 : “El producto tiene mucho éxito”
E2 : “El producto tiene un éxito moderado”
E3 : “El producto tiene baja aceptación”
B: “El producto obtiene una buena evaluación”
2
productos2 .
Además, el 40 % de los productos ha tenido mucho éxito, p(E1 ) = 0, 40,

Sean los eventos:
E1 : “El producto tiene mucho éxito” p(E1 ) = 0, 40
E2 : “El producto tiene un éxito moderado”
2
productos2 .

el 35 % un éxito moderado, p(E2 ) = 0, 35,
Sean los eventos:
E2 : “El producto tiene un éxito moderado” p(E2 ) = 0, 35
2
productos2 .

el 25 % una baja aceptación. p(E3 ) = 0, 25
Sean los eventos:
E3 : “El producto tiene baja aceptación” p(E3 ) = 0, 25
2
productos2 .
recibieron buenas evaluaciones, p(B/E1 ) = 0, 95,
p(B/E2 ) = 0, 60,
p(B/E3 ) = 0, 10,
el 25 % una baja aceptación. p(E3 ) = 0, 25
Sean los eventos:
B: “El producto obtiene una buena evaluación” p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60
p(B/E3 ) = 0, 10
2

p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10
• ¿cuál es la probabilidad que un producto obtenga buena evaluación?


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(B)?


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(B)?
p(B) = p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(B)?
p(B) = p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )

= p(B/E1 )p(E1 ) + p(B/E2 )p(E2 ) + p(B/E3 )p(E3 )


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(B)?
p(B) = p(B ∩ E1 ) + p(B ∩ E2 ) + p(B ∩ E3 )

= p(B/E1 )p(E1 ) + p(B/E2 )p(E2 ) + p(B/E3 )p(E3 )
= (0, 95)(0, 40) + (0, 60)(0, 35) + (0, 10)(0, 25) = 0, 94
La probabilidad que un producto obtenga buena evaluación es 0,94.


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10
• Si un nuevo diseño obtiene una buena evaluación ¿cuál es la probabilidad

que se convierta en un producto de gran éxito?


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(E1 /B)?


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(E1 /B)?
p(B ∩ E1 )
p(E1 /B) =
p(B)


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(E1 /B)?
p(B ∩ E1 ) p(B/E1 )p(E1 )

p(E1 /B) = =
p(B) p(B)


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(E1 /B)?
p(B ∩ E1 ) p(B/E1 )p(E1 ) (0, 95)(0, 40)

p(E1 /B) = = = = 0, 404
p(B) p(B) 0, 94


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(E1 /B)?
p(B ∩ E1 ) p(B/E1 )p(E1 ) (0, 95)(0, 40)

p(E1 /B) = = = = 0, 404
p(B) p(B) 0, 94
Si un nuevo diseño obtiene una buena evaluación, la probabilidad de que se

convierta en un producto de gran éxito es 0,404


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10
• Si un producto no obtiene una buena evaluación, ¿cuál es la probabilidad

que se convierta en un producto de gran éxito?, esto es,


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

que se convierta en un producto de gran éxito?, esto es, p(E1 /Bc )?


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

p(Bc ∩ E1 )
p(E1 /Bc ) =
p(Bc )


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

z }| {
c p(Bc ∩ E1 ) p(Bc /E1 ) p(E1 )
p(E1 /B ) = =
p(Bc ) p(Bc )
| {z }


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

z }| {
1 − p(B/E1 )
z }| {
c p(Bc ∩ E1 ) p(Bc /E1 ) p(E1 )
p(E1 /B ) = =
c
p(B ) p(Bc )
| {z }


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

1−0,95=0,05
z }| {
1 − p(B/E1 )
z }| {
c p(Bc ∩ E1 ) p(Bc /E1 ) p(E1 )
p(E1 /B ) = =
c
p(B ) p(Bc )
| {z }


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

1−0,95=0,05
z }| {
1 − p(B/E1 )
z }| {
c p(Bc ∩ E1 ) p(Bc /E1 ) p(E1 )
p(E1 /B ) = =
c
p(B ) p(Bc )
| {z }
1 − p(B)
| {z }


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

1−0,95=0,05
z }| {
1 − p(B/E1 )
z }| {
c p(Bc ∩ E1 ) p(Bc /E1 ) p(E1 )
p(E1 /B ) = =
c
p(B ) p(Bc )
| {z }
1 − p(B)
| {z }
1−0,94=0,06


p(B/E1 ) = 0, 95, p(B/E2 ) = 0, 60, p(B/E3 ) = 0, 10

1−0,95=0,05
z }| {
1 − p(B/E1 )
z }| {
c p(Bc ∩ E1 ) p(Bc /E1 ) p(E1 ) (0, 05)(0, 40)
p(E1 /B ) = = = = 0, 33
c
p(B ) p(Bc ) 0, 06
| {z }
1 − p(B)
| {z }
1−0,94=0,06
Si no obiene una buena evaluación, la probabilidad que se convierta en un producto de gran

éxito es 0,33.
Fin sesión.

PrincipiosProbabilidad Parte I

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

PrincipiosProbabilidad Parte I

Cargado por

Copyright:

Formatos disponibles

Principios básicos de probabilidad - Parte I

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 1

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 2

Definición clásica de probabilidad

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 3

Definición clásica de probabilidad

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 3

Definición clásica de probabilidad

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 3

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 4

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 4

Sea el evento E: “Se observa una cara”. Entonces hE = 1, ya que

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 4

Sea el evento E: “Se observa una cara”. Entonces hE = 1, ya que

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 4

Sea el evento E: “Se observa una cara”. Entonces hE = 1, ya que

Veamos otro ejemplo...

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 5

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 5

Sea el evento E: “se observa solo una cara”. Entonces hE = 2, ya que

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 5

Sea el evento E: “se observa solo una cara”. Entonces hE = 2, ya que

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 5

Sea el evento E: “se observan dos caras”. Entonces hE = 1, ya que de

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 5

Sea el evento E: “se observan dos caras”. Entonces hE = 1, ya que de

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 5

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Sea el evento E: “se observa solo una cara”. Entonces hE = 3, ya que

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Sea el evento E: “se observa solo una cara”. Entonces hE = 3, ya que

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Sea el evento E: “se observan dos caras”. Entonces hE = 3, ya que de

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Sea el evento E: “se observan dos caras”. Entonces hE = 3, ya que de

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Sea el evento E: “se observan tres sellos”. Entonces hE = 1, ya que de

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Sea el evento E: “se observan tres sellos”. Entonces hE = 1, ya que de

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 6

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 7

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 7

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 7

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 7

Sea el evento E: “se observa 5 o más”. Entonces hE = 2, ya que de los

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 7

Sea el evento E: “se observa 5 o más”. Entonces hE = 2, ya que de los

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 7

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 8

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 8

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 9

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 9

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 9

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 9

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 10

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 10

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 10

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 10

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 11

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 11

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 11

Notas de clase elaboradas por L.M.González Principios básicos de probabilidad - Parte I 11