FUNDAMENTOS DE PROBABILIDAD

El presente documento corresponde al material fundamental de la Unidad 2 del

Módulo Probabilidad e Inferencia, en este se fortalecerá el elemento de competencia
para aplicar conceptos de probabilidad que deriven en el conocimiento de las
diferentes distribuciones de probabilidad, permitiendo hacer inferencias sobre las
poblaciones muestreadas.

INTRODUCCIÓN

Los científicos de la computación necesitan herramientas analíticas potentes para

analizar algoritmos y sistemas de cómputo. Muchas de las herramientas necesarias
para estos análisis tienen sus fundamentos en la teoría de la probabilidad. Por
ejemplo, en el análisis de tiempos de ejecución de algoritmos, es común distinguir
entre el peor de los casos y el desempeño promedio de un algoritmo. La distinción
está basada en el hecho de que para ciertos problemas, mientras un algoritmo puede
requerir un desmesurado largo tiempo para resolver al menos instancias favorables del
problema, la solución promedio es considerablemente más corta. Cuando muchas
instancias de un problema deben ser resueltas, el análisis probabilístico (o caso
promedio) del algoritmo es visiblemente el más adecuado. Por ejemplo un análisis de
conteo en el que el desempeño de un algoritmo depende de la distribución de los
datos de entrada. Por supuesto se deben especificar las distribuciones de probabilidad
relevantes antes de que cualquier análisis pueda ser llevado a cabo. Por lo tanto, por
ejemplo, mientras se analiza un algoritmo corto, un supuesto común es que cada
permutación de la secuencia de entrada es igualmente probable de que ocurra.

Igualmente, si el almacenamiento es asignado equitativamente, un análisis

probabilístico de los requerimientos de almacenaje es más apropiado que un análisis
del peor de los casos. En un buen uso, un análisis del peor de los casos de la
acumulación de errores de redondeo en un algoritmo numérico tiende a ser más
pesimista; un análisis probabilístico, aunque más difícil, es más conveniente.

Cuando se considera el análisis de un sistema de servidores para un gran número de

usuarios, varios tipos de fenómenos aleatorios deben ser contabilizados. Primero,
debido a la gran cantidad de usuarios, el patrón de llegadas de los trabajos es
aleatorio. Segundo, los requerimientos de recursos de los trabajos probablemente
fluctuarán de trabajo en trabajo así como la duración en la ejecución de un solo
trabajo.

Finalmente, los recursos de un sistema de cómputo están sujetos a fallas aleatorias

gracias al desarrollo de condiciones y fenómenos de envejecimiento. La teoría de los
procesos estocásticos es muy útil en la evaluación de varias medidas de la efectividad
de un sistema, como por ejemplo el rendimiento, tiempo de respuesta, confiabilidad y
disponibilidad.

Antes de que un algoritmo o sistema pueda ser analizado, varias distribuciones de

probabilidad deben ser especificadas. ¿De dónde vienen las distribuciones? La
recolección de datos puede hacerse durante la operación real de un sistema (o un
algoritmo). Estas medidas pueden ser el desempeño de monitores, software o ambos.
Cada dato debe ser analizado y validado para obtener
las distribuciones necesarias para el uso de los modelos analíticos.

PROBABILIDAD

Para estudiar los fenómenos de la naturaleza que no son regidos por leyes físicas
precisas, se realizan experimentos, observaciones del desarrollo social y económico, o
de otro modo información acumulada en forma de datos muestrales. De todos modos
un estudio más profundo es un progreso más allá de solo la descripción de los datos a
un análisis de la información contenida en la muestra, para esto se puede llegar a
conclusiones analizando una gran población o inferir a partir de una muestra.

La teoría de la probabilidad corresponde al estudio de los fenómenos aleatorios. Cada

fenómeno está caracterizado porque su comportamiento futuro no es predecible de
modo determinístico. Sin embargo, debido a ciertas regularidades estadísticas, cada
fenómeno es usualmente susceptible de descripción matemática. Esto puede
realizarse por medio de la construcción de modelos probabilísticos teóricos adaptados
a situaciones reales. Cada modelo consiste en una lista de todos los sucesos posibles
acompañados de sus respectivas probabilidades. Así la teoría de la probabilidad
permite predecir o deducir patrones de posibles sucesos.

Un modelo es una abstracción de la realidad, las probabilidades están basadas en un

modelo que debe ser validado con las mediciones reales recolectadas del fenómeno
real. Una validación incorrecta o pobre puede conducir a conclusiones erróneas. La
teoría estadística facilita el proceso de validación. La estadística corresponde al
proceso inductivo de la construcción de inferencia del modelo y sus parámetros
basado en información limitada de los datos recolectados.

El papel de la teoría de probabilidad es analizar el comportamiento de un sistema o

algoritmo suponiendo probabilidades y distribuciones asignadas. Los resultados de
éste análisis son tan buenos como los supuestos previos. La estadística ayuda en la
elección de las probabilidades y en el proceso de validación de supuestos. Los
métodos estadísticos, a su vez, hacen un uso muy fuerte de la teoría de la
probabilidad.

CONCEPTOS BÁSICOS

Introducción

Un experimento es llamado EXPERIMENTO DETERMINÍSTICO si, dadas las

condiciones bajo las cuales es llevado a cabo, el resultado del experimento es
completamente determinado, por ejemplo, si un recipiente con agua pura es puesto a
una temperatura de 100°C y 760mmHg de presión atmosférica, el resultado es la
ebullición del agua. Otro ejemplo es el de poner una batería en un circuito simple,
tendríamos un “modelo matemático” que describe el flujo observable de corriente:
I=E/R, que es la ley de Ohm.

De esta manera se encuentra que los modelos matemáticos representan

acertadamente los fenómenos físicos en los cuales no hay incertidumbre.
 Ahora, un experimento para el cual el resultado no
puede ser determinado, excepto que se conozca un conjunto de posibles resultados,
es llamado EXPERIMENTO ALEATORIO. El curso está enfocado solo hacia este tipo
de experimentos.

Por lo tanto, un experimento puede consistir en un simple proceso de señalar si un

componente funciona apropiadamente o si presenta fallas, puede consistir en
determinar el tiempo de ejecución de un programa, o puede consistir en determinar el
tiempo de respuesta de una central de llamadas. El resultado de cualquier observación
donde la respuesta sea “si” o “no”, lecturas métricas, o cualquiera otra son llamados
resultados del experimento.

Por ejemplo, si deseamos determinar cuánta lluvia caerá debido a una tormenta que
pasa por una zona específica. Los instrumentos para registrar la cantidad de lluvia
están listos. Las observaciones meteorológicas pueden dar mucha información del
frente de mal tiempo que se aproxima: la presión barométrica en diversos puntos, los
cambios de presión, velocidad del viento, el origen y la dirección de la tormenta. Pero
esta información tan valiosa no permite predecir con exactitud cuánta lluvia caerá.

Otros ejemplos de los experimentos aleatorios son: Número de llamadas que ingresan
a una central telefónica, Cantidad de líneas para interconexión entre centrales que me
generan un bloqueo, Número de usuarios que usan la señal del celular en determinado
momento.

Para tener en cuenta: El negocio de las telecomunicaciones, como en la mayoría, es

indispensable tener en cuenta tanto la probabilidad de falla como el impacto.

 Riesgo= probabilidad *consecuencia (impacto)

Ejemplo: colapso en la entrega de la información de los resultados de la elección de

congreso en 2010.

Definiciones

El conjunto de todos los posibles resultados de un experimento aleatorio se conoce

como Espacio muestral de un experimento y se denotará por la letra S.

El espacio muestral no está determinado solamente por el experimento. Está

parcialmente determinado por el propósito por el que el experimento fue llevado a
cabo. Si el estado de dos máquinas es observado, para algunos propósitos es
suficiente considerar solo tres posibles resultados: ambas máquinas funcionan, ambas
no funcionan y una de ellas funciona y la otra no. Éstos tres posibles resultados
constituyen el espacio muestral S. Por otro lado, si se está interesado en conocer
exactamente cuál de las máquinas ha fallado, si alguna ha fallado, el espacio muestral
S debe estar compuesto por 4 resultados: la primera máquina falla y la otra no, la
segundamáquina falla y la primera no, ambas máquinas funcionan, ambas máquinas
fallan. Muchos otros ejemplos de espacios muestrales pueden ser definidos si se
toman en cuenta algunas cosas como el tipo de falla y demás.
 A menudo, se usa un espacio muestral grande que es
estrictamente necesario y fácil de usar; específicamente, es siempre más fácil
descartar exceso de información que recuperar información perdida. Por ejemplo, en el
ejemplo anterior, el primer espacio muestral puede ser denotado por 𝑆𝑆1 =
{0,1,2}(donde cada número indica cuántas máquinas están funcionando) y el segundo
espacio muestral puede ser denotado por 𝑆𝑆2 = {(0,1); (1,0); (1,1); (0,0)}. Dada una
elección de 𝑆𝑆2 siempre se pueden elegir dos máquinas para determinar su
correspondiente relación con 𝑆𝑆1 , pero si se elige un elemento de 𝑆𝑆1 , no
necesariamente se encuentra su equivalente en 𝑆𝑆2 .

Un evento asociado a un experimento aleatorio corresponde a una pregunta acerca

del experimento que tiene un “si” o un “no” como respuesta, y a su vez es asociado
con un subconjunto del espacio muestral, por ejemplo un evento es que ambas
máquinas fallen. Un evento es una colección de ciertos puntos muestrales, es decir, es
un subconjunto del espacio muestral de un experimento aleatorio.

Considere el experimento de revisar un sistema de dos máquinas, los eventos:

A=Exactamente una falla

B=Ninguna falla
C=Ambas fallan

Donde 0 significa que la máquina falla y 1 significa que la máquina funciona. El

espacio muestral se muestra en la figura1.

Máquina 1

Máquina 2
Figura 1. Funcionamiento de dos componentes

En la figura 1 cada coordenada es uno o cero dependiendo de cuál de las máquinas

está funcionando correctamente o ha fallado. En general si un sistema tiene
nmáquinas existen 2𝑛𝑛 resultados posibles, cada uno de ellos puede ser graficado en
un espacio muestral n dimensional.

Definición

Sean A y B dos conjuntos, la regla que asocia a A un único elementos de B se le llama

FUNCIÓN (o aplicación) f. En este casi se dice que A es el dominio de f, y que B es el
codominio de f y se usará la notación:
𝑓𝑓: 𝐸𝐸1 → 𝐸𝐸2
𝑥𝑥 → 𝑓𝑓(𝑥𝑥)
(∀𝑥𝑥 ∈ 𝐸𝐸1 )(∃! 𝑦𝑦 ∈ 𝐸𝐸2 )�𝑦𝑦 = 𝑓𝑓(𝑥𝑥)�

Además si 𝑥𝑥 ∈ 𝐸𝐸1 , se denota por 𝑓𝑓(𝑥𝑥) el único elemento de 𝐸𝐸2 asociado con x
mediante f y se conoce como la imagen de x por f.

𝑓𝑓(𝑥𝑥)recibe el nombre de recorrido (o imagen) de f.

Definición

Si 𝑓𝑓: 𝐸𝐸1 → 𝐸𝐸2 es una función, entonces

1. f es uno a uno si (∀𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸1 ) (𝑥𝑥 ≠ 𝑦𝑦 ⟹ 𝑓𝑓(𝑥𝑥) ≠ 𝑓𝑓(𝑦𝑦) ó si 𝑓𝑓(𝑥𝑥) = 𝑓𝑓(𝑦𝑦) ⟹ 𝑥𝑥 = 𝑦𝑦

2. f es sobresi (∀𝑦𝑦 ∈ 𝐸𝐸2 )(∃𝑥𝑥 ∈ 𝐸𝐸1 )(𝑦𝑦 = 𝑓𝑓(𝑥𝑥))

3. f es biyectiva si es uno a uno y es sobre

Definición equipotencia

Sean 𝐸𝐸1 𝑦𝑦 𝐸𝐸2 dos conjuntos cualesquiera, si existe una biyección de 𝐸𝐸1 sobre 𝐸𝐸2 , se
dice que 𝐸𝐸1 𝑦𝑦 𝐸𝐸2 son EQUIPOTENTES o que tienen el mismo cardinal y
Card𝐸𝐸1 =Card 𝐸𝐸2 quiere decir que 𝐸𝐸1 tiene el mismo número de elementos que 𝐸𝐸2 .
Luego Card𝐸𝐸1 se puede interpretar como el número de elementos de 𝐸𝐸1 .

Definición conjuntos numerables

Si un conjunto cualquiera es equipotente con los números naturales, se dice que ese
conjunto es NUMERABLE, ó con más precisión INFINITO NUMERABLE. En suma
puede decirse que un conjunto 𝐸𝐸1 es numerable si sus elementos pueden disponerse
en una lista (infinita) 𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 , …

También los elementos de un conjunto finito pueden disponerse en una lista (finita en
este caso) y así los conjuntos FINITOS y los INFINITOS NUMERABLES tienen esta
propiedad en común y se llaman genéricamente conjuntos CONTABLES. Así cuando
se dice que un conjunto 𝐸𝐸1 es contable, se está afirmando que 𝐸𝐸1 es finito o infinito
numerable.

El espacio muestral puede ser finito, infinito numerable, o infinito no numerable.

Un ejemplo: El tiempo de vida de un transistor o una bombilla tendrá como espacio

muestral 𝑆𝑆 = {𝑡𝑡/𝑡𝑡 ≥ 0, 𝑡𝑡 ∈ ℛ} se puede decir que S es infinito no numerable, pero si se
obtiene un instrumento de medida, entonces S será numerable. Si se piensa en un
transistor o una bombilla tienen además una vida finita, entonces se tiene un S finito.

ÁLGEBRA DE EVENTOS
 Con
frecuencia interesa describir nuevos eventos a
partir de combinaciones de los eventos existentes.Dado que los eventos son
subconjuntos es posible usar operaciones básicas de conjuntos como la unión, la
intersección y el complementopara formar otros eventos de interés. Algunas de las
operaciones básicas con conjuntos son:

La unión de dos eventos es el evento que consta de todos los resultados que están
contenidos en cualquiera de los dos eventos. La unión se denota por 𝐸𝐸1 ∪ 𝐸𝐸2 .

La intersección de dos eventos es el evento que consta de todos los resultados que
están contenidos en los dos eventos. La intersección se denota por 𝐸𝐸1 ∩ 𝐸𝐸2 .

El complemento de un evento en un espacio muestral es el conjunto de resultados de

resultados en el espacio muestral que no están en el evento. El complemento del
evento E se denota por E´.

Espacio muestral S con los eventos A y B

Considere el caso en el que se analiza un sistema de producción compuesto de cinco

máquinas. Un posible experimento aleatorio consiste en revisar el sistema y contar
cuántas de ellas están disponibles al momento de la revisión. Cada máquina está en
uno de dos estados: ocupada (rótulo=0) y disponible (rótulo=1). Un resultado del
experimento (un punto en el espacio muestral) puede ser denotado por (0,0,0,0,0) si
todas están ocupadas. El espacio muestral S tiene 25 = 32 puntos muestrales, así:

𝑆𝑆0 = (0,0,0,0,0) 𝑆𝑆8 = (0,1,0,0,0) 𝑆𝑆16 = (1,0,0,0,0) 𝑆𝑆24 = (1,1,0,0,0)

𝑆𝑆1 = (0,0,0,0,1) 𝑆𝑆9 = (0,1,0,0,1) 𝑆𝑆17 = (1,0,0,0,1) 𝑆𝑆25 = (1,1,0,0,1)
𝑆𝑆2 = (0,0,0,1,0) 𝑆𝑆10 = (0,1,0,1,0) 𝑆𝑆18 = (1,0,0,1,0) 𝑆𝑆26 = (1,1,0,1,0)
𝑆𝑆3 = (0,0,0,1,1) 𝑆𝑆11 = (0,1,0,1,1) 𝑆𝑆19 = (1,0,0,1,1) 𝑆𝑆27 = (1,1,0,1,1)
 𝑆𝑆4 = (0,0,1,0,0) 𝑆𝑆12 = (0,1,1,0,0) 𝑆𝑆20 = (1,0,1,0,0) 𝑆𝑆28 = (1,1,1,0,0)
𝑆𝑆5 = (0,0,1,0,1) 𝑆𝑆13 = (0,1,1,0,1) 𝑆𝑆21 = (1,0,1,0,1) 𝑆𝑆29 = (1,1,1,0,1)
𝑆𝑆6 = (0,0,1,1,0) 𝑆𝑆14 = (0,1,1,1,0) 𝑆𝑆22 = (1,0,1,1,0) 𝑆𝑆30 = (1,1,1,1,0)
𝑆𝑆7 = (0,0,1,1,1) 𝑆𝑆15 = (0,1,1,1,1) 𝑆𝑆23 = (1,0,1,1,1) 𝑆𝑆31 = (1,1,1,1,1)

El evento 𝐸𝐸1 definido como “al menos 4 máquinas están disponibles” está dado por:

𝐸𝐸1 = {(0,1,1,1,1); (1,0,1,1,1); (1,1,0,1,1); (1,1,1,0,1); (1,1,1,1,0); (1,1,1,1,1)}

𝐸𝐸1 = {𝑆𝑆15 ; 𝑆𝑆23 ; 𝑆𝑆27 ; 𝑆𝑆29 ; 𝑆𝑆30 ; 𝑆𝑆31 }

El complemento de este evento, denotado por 𝐸𝐸�1 , está definido por S-𝐸𝐸1 y está
conformado por todos los puntos muestrales que no están contenidos en 𝐸𝐸1 . Esto es
𝐸𝐸�1 = �𝑠𝑠 ∈ 𝑆𝑆�𝑠𝑠 ∉ 𝐸𝐸1 �. En el ejemplo anterior, 𝐸𝐸�1 = {de 𝑆𝑆0 a 𝑆𝑆14 , de 𝑆𝑆16 a 𝑆𝑆22 , de 𝑆𝑆24 a 𝑆𝑆26 ,
𝑆𝑆28 }. 𝐸𝐸�1 puede describirse también como “máximo 3 máquinas están disponibles”. Sea
𝐸𝐸2 el evento en el cual “máximo 4 máquinas están disponibles”, entonces 𝐸𝐸2 =
{ de 𝑆𝑆0 a 𝑆𝑆30 } . La intersección𝐸𝐸3 de los eventos denotada 𝐸𝐸1 ∩ 𝐸𝐸2 está dada por:

𝐸𝐸3 = 𝐸𝐸1 ∩ 𝐸𝐸2

𝐸𝐸3 = {𝑠𝑠 ∈ 𝑆𝑆/ 𝑠𝑠 𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑑𝑑𝑑𝑑 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝐸𝐸1 𝑦𝑦 𝐸𝐸2
𝐸𝐸3 = {𝑠𝑠 ∈ 𝑆𝑆/𝑠𝑠 ∈ 𝐸𝐸1 𝑦𝑦 𝑠𝑠 ∈ 𝐸𝐸2
𝐸𝐸3 = {𝑆𝑆15 ; 𝑆𝑆23 ; 𝑆𝑆27 ; 𝑆𝑆29 ; 𝑆𝑆30 }

Sea 𝐸𝐸4 el evento “Hay una máquina disponible”. Entonces 𝐸𝐸4 = { 𝑑𝑑𝑑𝑑 𝑆𝑆16 𝑎𝑎 𝑆𝑆21 }. La
unión𝐸𝐸5 de los eventos 𝐸𝐸1 𝑦𝑦 𝐸𝐸4 denotada por 𝐸𝐸1 ∪ 𝐸𝐸4 está dada por:

𝐸𝐸5 = 𝐸𝐸1 ∪ 𝐸𝐸4

𝐸𝐸5 = {𝑠𝑠 ∈ 𝑆𝑆/𝑠𝑠 ∈ 𝐸𝐸1 𝑜𝑜 𝑠𝑠 ∈ 𝐸𝐸4 𝑜𝑜 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎}
𝐸𝐸5 = {𝑑𝑑𝑑𝑑 𝑆𝑆15 𝑎𝑎 𝑆𝑆31 }

Se puede ver que 𝐸𝐸1 tiene 6 puntos, 𝐸𝐸4 tiene 16 puntos, y 𝐸𝐸5 tiene 17 puntos.

En general se define la unión de eventos 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … 𝐸𝐸𝑛𝑛 (denotada por 𝐸𝐸1 ∪ 𝐸𝐸2 ∪
𝐸𝐸3 ∪ … ∪ 𝐸𝐸𝑛𝑛 ó ⋃𝑛𝑛1 𝐸𝐸𝑖𝑖 ) como el conjunto que consta de todos los puntos que
pertenecen al menos a uno de los eventos 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … 𝐸𝐸𝑛𝑛 . Igualmente, se define la
UNIÓN de una sucesión de un conjunto infinito de eventos como ⋃∞ 1 𝐸𝐸𝑖𝑖

Se define la intersección de eventos 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … 𝐸𝐸𝑛𝑛 (denotada por 𝐸𝐸1 ∩ 𝐸𝐸2 ∩ 𝐸𝐸3 ∩
… ∩ 𝐸𝐸𝑛𝑛 ó ⋂𝑛𝑛1 𝐸𝐸𝑖𝑖 ) como el conjunto que consta de todos los puntos que pertenecen a
todos mlos eventos 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … 𝐸𝐸𝑛𝑛 . Igualmente, se define la intersección de una
sucesión de un conjunto infinito de eventos como ⋂∞ 1 𝐸𝐸𝑖𝑖

Un conjunto que no tiene elementos es llamado el conjunto vacío o nulo y se denota

por ∅.

Otras definiciones
 1. Dos eventos 𝐸𝐸1 𝑦𝑦 𝐸𝐸2 son llamados
disjuntos o mutuamente excluyentes si no tienen puntos en común, esto
quiere decir que es imposible que 𝐸𝐸1 𝑦𝑦 𝐸𝐸2 ocurran durante la misma ejecución
del experimento, esto implica que 𝐸𝐸1 ∩ 𝐸𝐸2 = ∅.

En general 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … 𝐸𝐸𝑛𝑛 son mutuamente excluyentes, si dos de los eventos
no tienen por lo menos un punto en común, esto es, no más que uno de los
eventos puede ocurrir durante la misma ejecución de experimento, así 𝐸𝐸𝑖𝑖 ∩
𝐸𝐸𝑗𝑗 = ∅ ∀𝑖𝑖 ≠ 𝑗𝑗

𝑷𝑷(𝑬𝑬𝟏𝟏 ∪ 𝑬𝑬𝟐𝟐 ) = 𝑷𝑷(𝑬𝑬𝟏𝟏 ) + 𝑷𝑷(𝑬𝑬𝟐𝟐 ) − 𝑷𝑷(𝑬𝑬𝟏𝟏 ∩ 𝑬𝑬𝟐𝟐 )

Si 𝐸𝐸1 𝑦𝑦 𝐸𝐸2 son mutuamente excluyentes

𝑷𝑷(𝑬𝑬𝟏𝟏 ∪ 𝑬𝑬𝟐𝟐 ) = 𝑷𝑷(𝑬𝑬𝟏𝟏 ) + 𝑷𝑷(𝑬𝑬𝟐𝟐 )

2. Dos eventos 𝐸𝐸1 𝑦𝑦 𝐸𝐸2 serán llamados iguales si 𝐸𝐸1 ∁ 𝐸𝐸2 y 𝐸𝐸2 ∁ 𝐸𝐸1 .

Algunas propiedades del álgebra de eventos

1. 𝑆𝑆 𝑐𝑐 = ∅,∅𝑐𝑐 = 𝑆𝑆,(𝐸𝐸1 𝑐𝑐 )𝑐𝑐 = 𝐸𝐸1

2. 𝑆𝑆 ∪ 𝐸𝐸1 = 𝑆𝑆 ∅ ∪ 𝐸𝐸1 = 𝐸𝐸1 𝐸𝐸1 ∪ 𝐸𝐸1 = 𝐸𝐸1

3. 𝑆𝑆 ∩ 𝐸𝐸1 = 𝐸𝐸1 ∅ ∩ 𝐸𝐸1 = ∅ 𝐸𝐸1 ∩ 𝐸𝐸1 = 𝐸𝐸1

4. Leyes asociativas
𝐸𝐸1 ∪ (𝐸𝐸2 ∪ 𝐸𝐸3 ) = (𝐸𝐸1 ∪ 𝐸𝐸2 ) ∪ 𝐸𝐸3
𝐸𝐸1 ∪ (𝐸𝐸2 ∪ 𝐸𝐸3 ) = (𝐸𝐸1 ∪ 𝐸𝐸2 ) ∪ 𝐸𝐸3
5. Leyes conmutativas
(𝐸𝐸1 ∪ 𝐸𝐸2 ) = (𝐸𝐸2 ∪ 𝐸𝐸1 )
(𝐸𝐸1 ∩ 𝐸𝐸2 ) = (𝐸𝐸2 ∩ 𝐸𝐸1 )
6. Leyes distributivas
∞ ∞

𝐸𝐸 ∩ � 𝐸𝐸𝑗𝑗 = �(𝐸𝐸 ∩ 𝐸𝐸𝑗𝑗 )

𝑗𝑗 =1 𝑗𝑗 =1
∞ ∞

𝐸𝐸 ∪ � 𝐸𝐸𝑗𝑗 = �(𝐸𝐸 ∪ 𝐸𝐸𝑗𝑗 )

𝑗𝑗 =1 𝑗𝑗 =1
7. Leyes de Morgan
∞ ∞

(� 𝐸𝐸𝑗𝑗 ) = � 𝐸𝐸𝑗𝑗𝑐𝑐
𝑐𝑐

𝑗𝑗 =1 𝑗𝑗 =1
∞ ∞

(� 𝐸𝐸𝑗𝑗 )𝑐𝑐 = � 𝐸𝐸𝑗𝑗𝑐𝑐

𝑗𝑗 =1 𝑗𝑗 =1

DIAGRAMA DE ÁRBOL
Por ejemplo considere el experimento de observar un
sistema de comunicaciones. Cada mensaje en un sistema de comunicación digital se

clasifica de acuerdo a si se recibe dentro de tiempo especificado por el diseño del

sistema. Si se clasifican tres mensajes realizar el diagrama de árbol.

DEFINICIONES DE PROBABILIDAD

A los elementos del espacio muestral de un experimento aleatorio se les llama casos
posibles, y se les llama casos favorables a ciertos casos en que se está interesado
resulten en el experimento.

El comportamiento físico de experimentos aleatorios puede ser modelado sin

problemas usando el concepto de evento y definir un espacio muestral
adecuadamente. Para completar la especificación del modelos se asignan
probabilidades a los eventos en el espacio muestral. La probabilidad de un evento
significa representar la “posibilidad relativa” que el desempeño del experimento
resultará en la ocurrencia de un evento. P(A) denotará la probabilidad del evento A en
el espacio muestral S.

Un espacio muestral es llamado discretosi contiene un conjunto finito o infinito

numerable de resultados. Siempre que un espacio muestral conste de N resultados
factibles, la probabilidad de cada resultado es 1/N

La teoría de la probabilidad inicia con el supuesto de que las probabilidades pueden

ser asignadas de tal manera que satisfagan tres axiomas básicos de probabilidad. Sea
S el espacio muestral de un experimento aleatorio. Si un evento A consta de un solo
punto muestral s, entonces P(A)=P({s}) que se escribe
P(s), la función de probabilidad P( ) debe satisfacer los siguientes axiomas:

• Axioma 1: Para cualquier evento A P(A)>=0

• Axioma 2: P(S)=1
• Axioma 3:P(AUB) = P(A)+P(B), siempre y cuando A y B sean mutuamente
excluyentes, es decir 𝐴𝐴 ∩ 𝐵𝐵 = ∅

Ejemplo.Se seleccionará un diodo láser, al azar, de un lote de 100. El espacio

muestral es el conjunto de 100 diodos. La suma de las probabilidades debe ser igual a
1, entonces la probabilidad de seleccionar cada uno de los 100 diodos es 0.1.

PROBLEMAS COMBINATORIOS

Muestras ordenadas de tamaño r con reemplazamiento

Interesa conocer el número de maneras en las que se pueden seleccionar k objetos de

un total de n objetos, donde el orden es importante y el mismo objeto puede
seleccionarse varias veces durante el experimento. Se conoce también como
PERMUTACIONES CON REEMPLAZAMIENTO. Se les llama también variaciones
con repetición y se escribe

𝑉𝑉𝑉𝑉𝑟𝑟𝑛𝑛 = 𝑛𝑛𝑟𝑟
Ejemplo1: ¿De cuántas maneras pueden otorgarse 5 premios a 8 personas, si es
posible que una persona gane todos los premios?

Solución:
n=8
r=5
Se puede entregar el premio de85 maneras

Ejemplo 2: Se está interesado en encontrar la probabilidad de que al elegir un número

decimal de k dígitos k sea menor que 8.

Solución: en éste caso el espacio muestral es:

𝑆𝑆 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , … , 𝑥𝑥𝑘𝑘 )/𝑥𝑥𝑖𝑖 ∈ {0,1,2,3,4,5,6,7,8,9}

El evento de interés es

𝐸𝐸 = {(𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 , … , 𝑥𝑥𝑘𝑘 )/𝑥𝑥𝑖𝑖 ∈ {0,1,2,3,4,5,6,7}

Para encontrar la probabilidad de E: P(E) necesitamos remitirnos al:

P(E)=Casos favorables/Casos totales, entonces

|𝐸𝐸| 8𝑘𝑘
𝑃𝑃(𝐸𝐸) = = 𝑘𝑘
|𝑆𝑆| 10
Muestras ordenadas de tamaño r sin reemplazamiento

Se denominan variaciones de r objetos tomados de n, se denota por

𝑛𝑛!
𝑉𝑉𝑟𝑟𝑛𝑛 =
(𝑛𝑛 − 𝑟𝑟)!
Si n=r, entonces se acostumbra hablar de permutaciones y se les denota por

𝑃𝑃𝑛𝑛 = 𝑛𝑛!

Además estas permutaciones cuando son consideradas con repetición, es decir, que
el conjunto de n elementos pueden ser tomados 𝑚𝑚1 de ellos iguales entre sí, o sea
repetidos, y 𝑚𝑚1 , 𝑚𝑚2 , 𝑚𝑚3 , … , 𝑚𝑚𝑘𝑘 , tales que 𝑚𝑚1 + 𝑚𝑚2 + 𝑚𝑚3 + … + 𝑚𝑚𝑘𝑘 = 𝑛𝑛, entonces el
número de ordenamiento es

𝑚𝑚 1 ,𝑚𝑚 2 ,𝑚𝑚 3 ,…,𝑚𝑚 𝑘𝑘 𝑛𝑛!

𝑃𝑃𝑛𝑛 =
𝑚𝑚1 ! 𝑚𝑚2 , 𝑚𝑚3 ! … , 𝑚𝑚𝑘𝑘 !
Ejemplo1:

Si se tienen5 personas y se van a elegir dos personas de ellas, una como jefe (la
primera) y la otra (la segunda) como secretario, ¿cuál es el número de elecciones
posibles?

5!
Solución: n=5, r=2, por tanto como 𝑉𝑉25 = (5−3)!

Ejemplo 2:

Seis personas entran a un salón, en el cual hay 6 asientos, ¿en cuántas formas se
pueden ocupar sus asientos?

Solución: se tiene r=n, además son muestras ordenadas, las personas pueden ocupar
sus asientos de n!=6! maneras.

Muestras no ordenadas de tamaño r sin reemplazamiento

Estas muestras reciben el nombre de combinaciones de n en r y se le denota por

𝑛𝑛 𝑛𝑛!
� �=
𝑟𝑟 𝑟𝑟! (𝑛𝑛 − 𝑟𝑟)!

𝑟𝑟 = 1,2,3, … , 𝑛𝑛

Ejemplo: Se tienen 12 circuitos integrados. ¿De cuántas formas puede hacerse la

selección de 5?
 Solución: n=12, r=5
12 12!
� �=
5 5! (12 − 5)!
 PROBABILIDAD CONDICIONAL E INDEPENDENCIA
ESTADÍSTICA

Hasta el momento, se ha asumido que solo la información acerca del resultado de un

experimento, disponible solamente antes del experimento, corresponderá a uno de los
puntos del espacio muestral S. Con este supuesto, se puede encontrar la probabilidad
de un evento A. Suponga que se tiene información adicional de que el resultado s de
un ensayo se encuentra en un subconjunto B del espacio muestral, con 𝑃𝑃(𝐵𝐵) ≠ 0. El
conocimiento de la ocurrencia de B puede cambiar la probabilidad de la ocurrencia del
evento A. Se desea definir la probabilidad condicional del evento A dado que el
evento B ocurrió, o la probabilidad condicional de A dado B, se denota por

𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵)
𝑃𝑃�𝐴𝐴�𝐵𝐵� = , 𝑃𝑃(𝐵𝐵) ≠ 0
𝑃𝑃(𝐵𝐵)
Ejemplo (Tomado de Montgomery D.C. y Runger G.C. Probabilidad y estadística
aplicada a la ingeniería (2. ed.). México: Limusa, 2008): Se tiene una caja que contiene
5000 chips integrados, de los cuales 1000 fueron fabricados en la empresa X y el resto
por la empresa Y. El 10% de los chips de la empresa X y 5% de los de la empresa Y
son defectuosos. Si se elije aleatoriamente un chip y resultó defectuoso, encuentre la
probabilidad de que sea de la empresa X.

Solución:

A: el chip es de la empresa X
B: el chip es defectuoso

Se desea encontrar P(A/B), así

𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵)
𝑃𝑃�𝐴𝐴�𝐵𝐵� =
𝑃𝑃(𝐵𝐵)

1000
𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) = � � ∗ 0.1 = 0.02
5000

(1000 ∗ 0.1) + (4000 ∗ 0.05)

𝑃𝑃(𝐵𝐵) = = 0.06
5000
0.02
𝑃𝑃�𝐴𝐴�𝐵𝐵� =
0.06

Así, el conocimiento de la ocurrencia del evento B ha incrementado la probabilidad de

ocurrencia del evento A.

Regla de multiplicación

𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) = 𝑃𝑃(𝐴𝐴/𝐵𝐵)𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐵𝐵/𝐴𝐴)𝑃𝑃(𝐴𝐴)

 Ejemplo(Tomado de Montgomery D.C. y Runger
G.C. Probabilidad y estadística aplicada a la ingeniería (2. ed.). México: Limusa, 2008):
La probabilidad de que una batería de un automóvil sometida a alta temperatura en el
compartimiento del motor tenga una corriente de carga baja es 0.7. La probabilidad de
que la batería esté sometida a alta temperatura del motor es 0.05.
Sea
A: la batería de un automóvil sometida a alta temperatura en el compartimiento del
motor tiene una corriente de carga baja
B: la batería está sometida a alta temperatura del motor

La probabilidad de que una batería esté sometida a una corriente de carga baja y alta
temperatura en el compartimento del motor es:

𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) = 𝑃𝑃(𝐵𝐵/𝐴𝐴)𝑃𝑃(𝐴𝐴) = 0.7 ∗ 0.05

Regla de probabilidad total

La regla de multiplicación se usa para determinar la probabilidad de un evento que

depende de otro. Por ejemplo (Tomado de Montgomery D.C. y Runger G.C.
Probabilidad y estadística aplicada a la ingeniería (2. ed.). México: Limusa, 2008),
suponga que en el proceso de fabricación de semiconductores la probabilidad de que
un chip sometido a altos niveles de contaminación cause una falla en el producto es de
0.1. La probabilidad de que un chip que no ha estado sometido a altos niveles de
contaminación cause una falla en el producto es de 0.005. En particular, en una
corrida de producción, el 20% de los chips están sometidos a altos niveles de
contaminación. Encuentre la probabilidad de que un producto que use uno de éstos
chips falle.

Solución: claramente la probabilidad que se busca depende si el chip fue o no

expuesto a altos niveles de contaminación. Se puede resolver el problema por la
siguiente razón:

Para cualquier evento B, se puede escribir B como la unión de parte de B en Ay parte

de B en Ac. Esto es

𝐵𝐵 = (𝐴𝐴 ∩ 𝐵𝐵) ∪ (𝐴𝐴𝑐𝑐 ∩ 𝐵𝐵)

Para dos eventos

𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) + 𝑃𝑃(𝐴𝐴𝑐𝑐 ∩ 𝐵𝐵) = 𝑃𝑃(𝐵𝐵/𝐴𝐴)𝑃𝑃(𝐴𝐴) + 𝑃𝑃(𝐵𝐵/𝐴𝐴𝑐𝑐 )𝑃𝑃(𝐴𝐴𝑐𝑐 )

En el ejemplo: sea F el evento en el cual el producto falla, y sea H el evento en el cual

el chip fue expuesto a altos niveles de contaminación. Para encontrar P(F) hacemos:

𝑃𝑃�𝐹𝐹�𝐻𝐻� = 0.1

𝑃𝑃�𝐹𝐹�𝐻𝐻𝑐𝑐 � = 0.005

𝑃𝑃(𝐻𝐻) = 0.2

𝑃𝑃(𝐻𝐻𝑐𝑐 )0.8
 𝑃𝑃(𝐹𝐹) = 0.1 ∗ 0.2 + 0.005 ∗ 0.8 = 0.0235

Para múltiples eventos

𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐵𝐵 ∩ 𝐸𝐸1 ) + 𝑃𝑃(𝐵𝐵 ∩ 𝐸𝐸2 ) + 𝑃𝑃(𝐵𝐵 ∩ 𝐸𝐸3 ) + ⋯ + 𝑃𝑃(𝐵𝐵 ∩ 𝐸𝐸𝐾𝐾 )

𝑃𝑃(𝐵𝐵) = 𝑃𝑃 �𝐵𝐵�𝐸𝐸 � 𝑃𝑃(𝐸𝐸1 ) + 𝑃𝑃 �𝐵𝐵�𝐸𝐸 � 𝑃𝑃(𝐸𝐸2 ) + 𝑃𝑃 �𝐵𝐵�𝐸𝐸 � 𝑃𝑃(𝐸𝐸3 ) + ⋯ + 𝑃𝑃 �𝐵𝐵�𝐸𝐸 � 𝑃𝑃(𝐸𝐸𝑘𝑘 )

1 2 3 𝑘𝑘

Independencia

En algunos casos, la probabilidad condicional de P(B/A) podría ser igual a P(B). En

este caso especial, el hecho de saber que el resultado del experimento está en el
evento A no afecta la probabilidad de que el resultado esté en el eventoB. Es posible
que la probabilidad del evento A disminuya, permanezca igual, o aumente dado que el
evento B ha ocurrido. Si la probabilidad de ocurrencia del evento A no cambia si el
evento B ha ocurrido o no, se puede concluir que ambos eventos son independientes.
Se dice que dos eventos son independientes si y solo si:

𝑃𝑃�𝐴𝐴�𝐵𝐵� = 𝑃𝑃(𝐵𝐵)
Dos eventos son independientes si es verdadero cualquiera de los siguientes
enunciados equivalentes:

1. 𝑃𝑃�𝐴𝐴�𝐵𝐵� = 𝑃𝑃(𝐴𝐴)

2. 𝑃𝑃�𝐵𝐵�𝐴𝐴� = 𝑃𝑃(𝐵𝐵)

3. 𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) = 𝑃𝑃(𝐴𝐴)𝑃𝑃(𝐵𝐵)

En general, los eventos 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … , 𝐸𝐸𝑛𝑛 son independientes si y solo si para cualquier
subconjunto 𝐸𝐸𝑖𝑖1 , 𝐸𝐸𝑖𝑖2 , 𝐸𝐸𝑖𝑖3 , … , 𝐸𝐸𝑖𝑖𝑖𝑖

𝑃𝑃(𝐸𝐸𝑖𝑖1 ∩ 𝐸𝐸𝑖𝑖2 ∩ 𝐸𝐸𝑖𝑖3 ∩ … ,∩ 𝐸𝐸𝑖𝑖𝑖𝑖 ) = 𝑃𝑃(𝐸𝐸𝑖𝑖1 ) ∗ 𝑃𝑃(𝐸𝐸𝑖𝑖2 ) ∗ 𝑃𝑃(𝐸𝐸𝑖𝑖3 ) ∗ … ∗ 𝑃𝑃(𝐸𝐸𝑖𝑖𝑖𝑖 )

Ejemplo: Un sistema de microcomputador está compuesto por un chip

microprocesador CPU y un chip de memoria. La CPU es seleccionada de un lote de
100, del cual 10 son defectuosas y el chip de memoria es seleccionado de un lote de
300, de los cuales 15 son defectuosas. Se define A como el evento en que la CPU es
defectuosa, entonces P(A)=10/100=0.1; B es el evento en el que la memoria es
defectuosa y P(B)=15/300=0.05. Debido a que los dos chips son seleccionados de
lotes diferentes, se puede esperar que los eventos A y B sean independientes, esto se
puede comprobar de la siguiente manera

10 ∗ 15
𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) = = 0.005 = 0.1 ∗ 0.05 = 𝑃𝑃(𝐴𝐴) ∗ 𝑃𝑃(𝐵𝐵)
100 ∗ 300

Se puede ilustrar la idea de eventos independientes considerando el problema de la

confiabilidad de los llamados sistemas en serie o en paralelo. Un sistema en serie es
aquel en el cual todos los componentes están interconectados tal que el sistema
completo falla si uno de sus componentes falla. Por otro lado, un sistema en paralelo
 es
aquel que falla solo si todos sus componentes fallan. Se
supondrá que las fallas de los componentes son independientes.

Primero considere un sistema en serie de n componentes. Para i=1, 2, 3, …, n, se

define el evento 𝐴𝐴𝑖𝑖 = "𝐸𝐸𝐸𝐸 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎". Sea la confiabilidad,
𝑅𝑅𝑖𝑖 , del componente i como la probabilidad de que el componente funcione
adecuadamente, entonces 𝑅𝑅𝑖𝑖 = 𝑃𝑃(𝐴𝐴𝑖𝑖 ). Para el supuesto de que se cuenta con
conexiones en serie:

𝑅𝑅𝑠𝑠 = 𝑃𝑃(El sistema funciona adecuadamente)

= 𝑃𝑃(𝐴𝐴1 ∩ 𝐴𝐴2 ∩ 𝐴𝐴3 ∩ … ∩ 𝐴𝐴𝑛𝑛 )
= 𝑃𝑃(𝐴𝐴1 )𝑃𝑃(𝐴𝐴2 )𝑃𝑃(𝐴𝐴3 ) … 𝑃𝑃(𝐴𝐴𝑛𝑛 )
𝑛𝑛

= � 𝑅𝑅𝑖𝑖
1

Cuando se tiene un sistema en serie la confiabilidad disminuye si n aumenta. Por

ejemplo suponga un sistema en serie que consta de 5 componentes donde la
confiabilidad individual es 0.97, entonces la confiabilidad del sistema es 0.975 = 0.859.
Sin embargo si se aumenta el número de componentes a 10, la confiabilidad
disminuye a 0.9710 = 0.738.

Una manera de aumentar la confiabilidad de un sistema es usar la redundancia. La

primera combinación que viene a la mente es replicar componentes con
confiabilidades pequeñas (redundancias en paralelo). Primero considere un sistema
con n componentes independientes en paralelo, así fallará solo si los n componentes
han fallado. Se define el evento 𝐴𝐴𝑖𝑖 = "𝑒𝑒𝑒𝑒 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑖𝑖 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑡𝑡𝑡𝑡" y
𝐴𝐴𝑝𝑝 = "𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑑𝑑𝑑𝑑 𝑛𝑛 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓𝑓 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐". Sea también
𝑅𝑅𝑖𝑖 = 𝑃𝑃(𝐴𝐴𝑖𝑖 ) y 𝑅𝑅𝑝𝑝 = 𝑃𝑃(𝐴𝐴𝑝𝑝 ). Para establecer una relación entre 𝐴𝐴𝑝𝑝 y los 𝐴𝐴𝑖𝑖 ´𝑠𝑠, es más fácil
considerar los eventos complementarios. Entonces:
𝑛𝑛

𝑅𝑅𝑝𝑝 = 1 − �(1 − 𝑅𝑅𝑖𝑖 )

𝑖𝑖=1
Si en lugar de un sistema en serie se tiene un sistema en paralelo de 5 componentes
cuyas confiabilidades individuales son 0.97 la confiabilidad del sistema aumenta así:

𝑅𝑅𝑝𝑝 = 1 − (1 − 0.97)5 = 0.9999999757

Ejemplo4. (Tomado de KishorShridharbhaiTrivedi. Probability and statistics with

reliability, queuing and computer science applications.Prentice Hall, 1982): Considere
el sistema que se muestra en la siguiente figura, consistente en 5 etapas, con 𝑛𝑛1 =
𝑛𝑛2 = 𝑛𝑛5 = 1, y 𝑛𝑛3 = 3𝑛𝑛4 = 2. Además

𝑅𝑅1 = 0.95
𝑅𝑅2 = 0.99
𝑅𝑅3 = 0.70
𝑅𝑅4 = 0.75
𝑅𝑅5 = 0.90
Solución

𝑅𝑅𝑠𝑠𝑠𝑠 = 0.95 ∗ 0.99 ∗ (1 − (1 − 0.7)3 ) ∗ (1 − (1 − 0.75)2 ) ∗ 0.9 = 0.772

Teorema de Bayes

En algunos casos, no se cuenta con información completa del experimento. Pudiera

conocerse una probabilidad condicional pero interesa conocer una probabilidad
diferente. En el problema de la contaminación de semiconductores, podría formularse
la pregunta: si el chip semiconductor en el producto falla, ¿cuál es la probabilidad de
que el chip se haya expuesto a niveles altos de contaminación?. Por la definición de
probabilidad condicional,

𝑃𝑃(𝐴𝐴 ∩ 𝐵𝐵) = 𝑃𝑃(𝐴𝐴/𝐵𝐵)𝑃𝑃(𝐵𝐵) = 𝑃𝑃(𝐵𝐵 ∩ 𝐴𝐴) = 𝑃𝑃(𝐵𝐵/𝐴𝐴)𝑃𝑃(𝐴𝐴)

Entonces

𝑃𝑃(𝐵𝐵/𝐴𝐴)𝑃𝑃(𝐴𝐴)
𝑃𝑃(𝐴𝐴/𝐵𝐵) =
𝑃𝑃(𝐵𝐵)

En general, si 𝐸𝐸1 , 𝐸𝐸2 , 𝐸𝐸3 , … , 𝐸𝐸𝑘𝑘 son k eventos mutuamente excluyentes y exhaustivos y
B es un evento cualquiera, entonces

Para P(B)>0.

Ejemplo: Un test de múltiple escogencia presenta 5 respuestas a cada pregunta, de

las cuales una es correcta. Si el estudiante ha hecho su tarea, entonces puede
identificar la respuesta correcta, de otra forma escogerá la respuesta al azar. Sea P la
probabilidad del evento A de que el estudiante ha hecho su tarea y sea B de que la
respuesta a la pregunta sea correcta. Encuentre la probabilidad de que el estudiante
hizo la tarea dado que respondió correctamente las preguntas.

Solución
 Se
𝑐𝑐
puede ver que 𝐴𝐴 y 𝐴𝐴 hacen una partición adecuada del espacio
muestral. Aplicando el teorema anterior

𝑃𝑃�𝐵𝐵�𝐴𝐴�𝑃𝑃(𝐴𝐴)
𝑃𝑃�𝐴𝐴�𝐵𝐵� =
𝑃𝑃�𝐵𝐵�𝐴𝐴�𝑃𝑃(𝐴𝐴) + 𝑃𝑃 �𝐵𝐵� 𝐶𝐶 � 𝑃𝑃(𝐴𝐴𝐶𝐶 )
𝐴𝐴
O sea

1 ∗ 𝑃𝑃 5𝑃𝑃
𝑃𝑃�𝐴𝐴�𝐵𝐵� = 1 =
1 ∗ 𝑃𝑃 + (1 − 𝑃𝑃) 4𝑃𝑃 + 1
5

El teorema de Bayes puede representarse por medio de un diagrama de árbol, así:

Ejemplo4. (Tomado de KishorShridharbhaiTrivedi. Probability and statistics with

reliability, queuing and computer science applications.Prentice Hall, 1982): Un canal de
comunicación binario lleva datos de dos tipos denotados por 0 y 1. Debido al ruido, en
ocasiones se transmite un 0 y se recibe un 1y se transmite un 1 y se recibe un 0. Para
un canal dado, suponga que la probabilidad de transmitir un 0 y recibir un 0 es 0.94 y
la probabilidad de transmitir un 1 y recibir un 1 es 0.91. Además asuma una
probabilidad de 0.45 de transmitir un 0. Encuentre

1. La probabilidad de que un 1 sea recibido

2. La probabilidad de que un 0 sea recibido
3. La probabilidad de que un 1 sea transmitido dado que un 1 fue recibido
4. La probabilidad de que un 0 sea transmitido dado que un 0 fue recibido
5. La probabilidad de un error
 Solución
Se definen los eventos 𝑇𝑇0 = "𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓𝑓𝑓𝑓𝑓 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡" y 𝑅𝑅0 = "𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑓𝑓𝑓𝑓𝑓𝑓 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟",
además 𝑇𝑇1 = 𝑇𝑇0𝑐𝑐 = "𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢 𝑓𝑓𝑓𝑓𝑓𝑓 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡" y 𝑅𝑅1 = 𝑅𝑅0𝑐𝑐 = "𝑢𝑢𝑢𝑢 𝑢𝑢𝑢𝑢𝑢𝑢 𝑓𝑓𝑓𝑓𝑓𝑓 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟".
Entonces las respuestas a las preguntas 1 a 4 están dadas respectivamente por

𝑇𝑇0 𝑅𝑅0 𝑅𝑅0 𝑃𝑃(𝑅𝑅0 )

𝑃𝑃(𝑇𝑇0 ) 𝑃𝑃( �𝑇𝑇 )
0

𝑅𝑅0
𝑃𝑃( �𝑇𝑇 )
0

𝑇𝑇 𝑇𝑇
𝑅𝑅1 , 𝑅𝑅0 , � 1�𝑅𝑅 � 𝑦𝑦 � 0�𝑅𝑅 �. Un error al transmitir una señal es la unión de dos eventos
1 0
mutuamente excluyentes 𝑇𝑇1 ∩ 𝑅𝑅0 y 𝑇𝑇0 ∩ 𝑅𝑅1 . La operación del canal binario de
comunicación se grafica a continuación:

Del teorema de probabilidad total

𝑅𝑅0 𝑅𝑅
𝑃𝑃(𝑅𝑅0 ) = 𝑃𝑃 � �𝑇𝑇 � 𝑃𝑃(𝑇𝑇0 ) + 𝑃𝑃 � 0�𝑇𝑇 � 𝑃𝑃(𝑇𝑇1 ) = 0.94 ∗ 0.45 + 0.09 ∗ 0.55 = 0.4725
0 1

𝑃𝑃(𝑅𝑅1 ) = 1 − 𝑃𝑃(𝑅𝑅0 ) = 0.5275

Usando el teorema de Bayes

𝑅𝑅
𝑃𝑃( 1�𝑇𝑇 )
0
𝑅𝑅
𝑃𝑃 � 1�𝑇𝑇 � 𝑃𝑃(𝑇𝑇1 ) 0.91 ∗ 0.55
𝑇𝑇 1
𝑃𝑃 � 1�𝑅𝑅 � = = = 0.9488
1 𝑃𝑃(𝑅𝑅1 ) 0.5275
𝑃𝑃(𝑇𝑇1 ) 𝑇𝑇1 𝑅𝑅 𝑅𝑅1 𝑃𝑃(𝑅𝑅1 )
𝑃𝑃( 1�𝑇𝑇 )
𝑅𝑅 0
𝑃𝑃 � 0�𝑇𝑇 � 𝑃𝑃(𝑇𝑇0 ) 0.94 ∗ 0.45
𝑇𝑇0 0
𝑃𝑃 � �𝑅𝑅 � = = = 0.8952
0 𝑃𝑃(𝑅𝑅0 ) 0.4725
Ahora

𝑇𝑇 𝑇𝑇
𝑃𝑃 � 1�𝑅𝑅 � = 1 − 𝑃𝑃 � 0�𝑅𝑅 � = 0.1048
0 0

𝑇𝑇 𝑇𝑇
𝑃𝑃 � 0�𝑅𝑅 � = 1 − 𝑃𝑃 � 1�𝑅𝑅 � = 0.0512
1 1

y
 𝑇𝑇 𝑇𝑇
𝑃𝑃(Error) = 𝑃𝑃(𝑇𝑇1 ∩ 𝑅𝑅0 ) + 𝑃𝑃(𝑇𝑇0 ∩ 𝑅𝑅1 ) = 𝑃𝑃 � 1�𝑅𝑅 � 𝑃𝑃(𝑅𝑅0 ) + 𝑃𝑃 � 0�𝑅𝑅 � 𝑃𝑃(𝑅𝑅1 )
0 1
= 0.1048 ∗ 0.4725 + 0.0512 ∗ 0.5275

BIBLIOGRAFÍA

Meyer P. (1992). Probabilidad y aplicaciones estadísticas. Estados Unidos: Addison

Wesley Iberoamericana.

Montgomery D.C y Runger G.C. (2008).Probabilidad y estadística aplicada a la

ingeniería. Segunda edición. México: Limusa.

KishorShridharbhaiTrivedi. Probability and statistics with reliability, queuing and

computer science applications.Prentice Hall, 1982

Ross S. (2002). Probabilidad y estadística para ingeniería y ciencias. Segunda

edición. México: McGraw-Hill.