UNIVERSIDAD NACIONAL SAN CRISTÓBAL DE HUAMANGA

DEPARTAMENTO DE FÍSICA Y MATEMÁTICA

Escuela Profesional de Ingeniería Agrícola

SEMANA 05: PROBABILIDADES, VARIABLES ALEATORIAS

INTRODUCCIÓN A PROBABILIDADES
En el análisis de situaciones, siempre el punto de partida es la observación de los efectos
de los que empezamos a determinar cuáles son las causas que lo provocan. Las
experiencias en el análisis conllevan a diferenciar dos tipos de situaciones: las que tienen
certidumbre y las que tienen inmersa la incertidumbre.
Las situaciones que están bajo certidumbre son aquellas en las que se puede
establecer inequívocamente las causas que la provocan, en este tipo de situaciones se
tienen a los fenómenos físicos en los que se cumplen las leyes de la física y en general
este tipo de fenómenos se pueden describir mediante una fórmula matemática.
Con respecto a las situaciones bajo incertidumbre, se tiene inmerso el azar y
muy a menudo se usa el término probabilidad que supone que al repetirse las condiciones
que definen el fenómeno no se llega necesariamente al mismo resultado, pero estos si se
pueden estimar o predecir los probables resultados. Estas características se observan en
los juegos de azar, como la ruleta, los dados, los naipes, la lotería, etc. Así mismo, también
en otros experimentos tan variados como en las ciencias económicas, en los negocios, en
los seguros, en las ciencias sociales, en las ciencias de la salud, etc.

En este capítulo se estudiará los fenómenos donde existe la incertidumbre sobre lo que
acontece. En efecto para hacer un enfoque general se definen los elementos que permiten
definir la probabilidad mediante axiomas y/o teoremas.

1. EXPERIMENTO
Es un conjunto de acciones intencionadas, cuyos procedimientos en forma dinámica
hacen que un agente estimulo condicionado entre en contacto con el objeto de estudio
provocando una reacción en éste, factible de medición y tiene como finalidad comprobar
o verificar una hipótesis.

TIPOS DE EXPERIMENTOS
 (a) DETERMINÍSTICOS
Son aquellos en los que los resultados del experimento están completamente
determinados y se pueden describir mediante una fórmula matemática.

Ejemplos:
a.1. Dejar caer una pelota al vació.
a.2. Determinar el número de masa de un compuesto químico.
a.3. La aplicación de la segunda ley de Newton.

(b) NO DETERMINÍSTICOS
Son aquellos en los que los resultados del experimento no pueden determinarse con
exactitud, pero si pueden estimarse o predecirse los resultados, llamados
experimentos aleatorios.

Ejemplos:
є.1. Lanzar un dado y observar el resultado.
є.2. Aplicar un nuevo método de enseñanza en las sesiones de aprendizaje luego
observar los resultados en la escala vigesimal.
є.3. Designar un delegado de un grupo de 30 estudiantes.
є.4. Elegir un punto del intervalo cerrado [0; 1]

2. ESPACIO MUESTRAL Ω:
Llamaremos espacio muestra asociado a un experimento aleatorio є, al conjunto de todos
los resultados posibles de dicho experimento aleatorio.

Ejemplos: los espacios muéstrales de los experimentos no determinísticos:

Ω1 = {1,2,3,4,5,6}
Ω2 = {1,2, . . . ,20}
Ω3 = {𝐴1 , 𝐴2 , . . . , 𝐴30 }
Ω4 = {𝑥 ∈ ℝ/0 ≤ 𝑥 ≤ 1}

3. SUCESO
 Un suceso es cualquier elemento de un espacio muestral, se denotan por: ω, x, y, z, etc.
𝑥∈Ω
Ejemplo: Si el experimento es:
є.1: Lanzar un dado y observar el resultado
ω: observar un seis.

4. EVENTO
Un evento es cualquier subconjunto del espacio muestral, se denotan por: A, B, C, etc.
Ejemplo:
Sea el Evento “A” definido por:
A: Obtener al lanzar un dado un número par.
Los elementos del Evento son:
𝐴 = {2,4,6} ⇒ 𝐴 ⊂ Ω

4.1.TIPOS DE EVENTOS
(1) EVENTO IMPOSIBLE
Es el evento que nunca ocurre.
∅⊂Ω
Ejemplo:
Lanzar un dado y obtener un siete.

(2) EVENTO SEGURO

Es el evento que siempre ocurre.
Ω⊆Ω
Ejemplo:
Observar los resultados del lanzamiento de un dado.

(3) EVENTO ELEMENTAL

Es el evento que tiene un solo elemento.
𝐴 = {𝜔}
Ejemplo:
Lanzar un dado y obtener un cuatro.

4.2.OPERACIONES CON EVENTOS

(1) SUB – EVENTOS
Dados dos eventos A y B, se dice que A está contenido en B o que A es sub - evento
de B y se denota por 𝐴 ⊂ 𝐵, si todo suceso favorable a A, es favorable a B. Es decir,
si ocurre el evento A, entonces ocurre el evento B.
Simbólicamente se tiene:
𝐴 ⊂ 𝐵, 𝑠í 𝜔 ∈ 𝐴 ⇒ 𝜔∈𝐵

Ejemplo:
Si el experimento es lanzar una moneda hasta que ocurra sello y contar el número
de lanzamientos de la moneda.
Luego se definen los siguientes eventos:
A: Se necesita por lo menos 20 lanzamientos.
B: Se necesita más de 5 lanzamientos.
El espacio muestral asociado al experimento y los respectivos eventos son:
Ω = {1,2,3,4,5,6, . . . }
𝐴 = {20,21,22, . . . }
𝐵 = {6,7,8,9, . . . }
𝐿𝑢𝑒𝑔𝑜 𝐴⊂𝐵
(2) IGUALDAD DE EVENTOS
Dados dos eventos A y B son iguales si los sucesos que pertenecen al evento A
también pertenecen al conjunto B y viceversa.
Simbólicamente se tiene:
𝑆í 𝐴 ⊂ 𝐵 𝑦 𝐵⊂𝐴 ⇒ 𝐴=𝐵
Ejemplo:
Si el experimento es lanzar una moneda hasta que ocurra sello y contar el número
de lanzamientos de la moneda.
Luego se definen los siguientes eventos:
A: Se necesita a lo más 10 lanzamientos.
B: Se necesita menos de once lanzamientos.
Entonces:
𝐴 = {1,2,3,4,5,6,7,8,9,10}
𝐵 = {1,2,3,4,5,6,7,8,9,10}
 𝐿𝑢𝑒𝑔𝑜 𝐴=𝐵

(3) UNION DE EVENTOS

Sean los eventos A y B, se define la unión de eventos de A con B, si ocurre A ó
ocurre B ó ambos.
Simbólicamente se tiene:
𝐴 ∪ 𝐵 = {𝜔 ∈ Ω/𝜔 ∈ 𝐴 ∨ 𝜔 ∈ 𝐵}
Ejemplo:
Si el experimento es lanzar una moneda hasta que ocurra sello y contar el número
de lanzamientos de la moneda.
Luego se definen los siguientes eventos:
A: Se necesita un número par de lanzamientos
B: Se necesita más de 10 lanzamientos
Entonces:
𝐴 = {2,4,6,8,10, . . . }
𝐵 = {11,12,13,14, . . . }
𝐸𝑛𝑡𝑜𝑛𝑐𝑒𝑠
𝐴 ∪ 𝐵 = {2,4,6,8,10,11,12,13,14, . . . }
(4) INTERSECCIÓN DE EVENTOS
Sean los eventos A y B, se define la intersección de eventos de A con B, si ocurre
A y ocurre B, ó ambos eventos ocurren simultáneamente.
Simbólicamente se tiene:
𝐴𝐵 = 𝐴 ∩ 𝐵 = {𝜔 ∈ Ω/𝜔 ∈ 𝐴 ∧ 𝜔 ∈ 𝐵}
Ejemplo:
La intersección de los eventos del ejemplo anterior es:
𝐴𝐵 = 𝐴 ∩ 𝐵 = {12,14,16,18, . . . }
(5) DIFERENCIA DE EVENTOS
Sean los eventos A y B, se define la diferencia de eventos de A con B, si ocurre A
y no ocurre B.
Simbólicamente se tiene:
𝐴 − 𝐵 = {𝜔 ∈ Ω/𝜔 ∈ 𝐴 ∧ 𝜔 ∉ 𝐵}

Ejemplo:
 Del ejemplo 3, se tiene:
𝐴 − 𝐵 = {2,4,6,8,10}
𝐵 − 𝐴 = {11,13,15,17, . . . }

(6) COMPLEMENTO DE UN EVENTO

Si A es un evento del espacio muestral Ω, se llama complemento de A, al evento
formado por todos los sucesos que no pertenecen a A, Es decir no ocurre el evento
A.
Simbólicamente se tiene:
𝐴̄ = 𝐴' = Ω − 𝐴 = {𝜔 ∈ Ω/𝜔 ∉ 𝐴}
Ejemplo:
Los complementos de los eventos definidos en el ejemplo 3, son:
𝐴̄ = {1,3,5,7, . . . }
𝐵̄ = {1,2,3,4,5,6,7,8,9,10}
5. PROBABILIDAD
AXIOMA 01:
La probabilidad de un evento es un número real no negativo; es decir 𝑃(𝐴) ≥ 0 para
cualquier subconjunto de A de Ω.
AXIOMA 02:
La probabilidad del espacio muestral Ω es igual a uno.
𝑃(Ω) = 1
AXIOMA 03:
Si 𝐴1 , 𝐴2 , 𝐴3 , . .. es una secuencia finita o infinita de eventos mutuamente excluyentes
de Ω, entonces se cumple:
𝑃(𝐴1 ∪ 𝐴2 ∪ 𝐴3 ∪. . . ) = 𝑃(𝐴1 ) + 𝑃(𝐴2 ) + 𝑃(𝐴3 )+. ..
TEOREMA 01:
Si A es un evento de un espacio muestral discreto Ω, entonces P(A) es igual a la suma de
las probabilidades de los resultados individuales que componen A.
TEOREMA 02:
Si un experimento puede dar origen a uno de “N” resultados diferentes igualmente
probables y si “n” de estos resultados constituyen juntos el evento A, entonces la
probabilidad del evento A es:
𝑛
𝑃(𝐴) =
𝑁
TEOREMA 03:
Si A y A’ son eventos complementarios de un espacio muestral Ω, entonces
𝑃(𝐴') = 1 − 𝑃(𝐴)
TEOREMA 04:
La probabilidad del evento imposible de un espacio muestral Ω es igual a cero.
𝑃(∅) = 0
TEOREMA 05:
Si A y B son dos eventos de un espacio muestral Ω y 𝐴 ⊂ 𝐵, entonces 𝑃(𝐴) ≤ 𝑃(𝐵)
TEOREMA 06:
0 ≤ 𝑃(𝐴) ≤ 1, para cualquier evento A de Ω.
TEOREMA 07:
Si A y B son dos eventos cualesquiera del espacio muestral Ω, entonces
𝑃(𝐴 ∪ 𝐵) = 𝑃(𝐴) + 𝑃(𝐵) − 𝑃(𝐴 ∩ 𝐵)
TEOREMA 08:
Si A, B y C son tres eventos cualesquiera del espacio muestral Ω, entonces
𝑃(𝐴 ∪ 𝐵 ∪ 𝐶) = 𝑃(𝐴) + 𝑃(𝐵) + 𝑃(𝐶) − 𝑃(𝐴 ∩ 𝐵)
−𝑃(𝐴 ∩ 𝐶) − 𝑃(𝐵 ∩ 𝐶) + 𝑃(𝐴 ∩ 𝐵 ∩ 𝐶)

5.1. PROBABILIDAD CONDICIONAL

DEFINICIÓN 01:
Si A y B son dos eventos cualesquiera de un espacio muestral Ω, y 𝑃(𝐴) ≠ 0, la
probabilidad condicional de B dado A es:

𝑃(𝐴 ∩ 𝐵)
𝑃(𝐵/𝐴) =
𝑃(𝐴)
TEOREMA 09:
Si A y B son dos eventos cualesquiera de un espacio muestral Ω, y 𝑃(𝐴) ≠ 0, entonces:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵/𝐴)

TEOREMA 10:
Si A, B y C son tres eventos cualesquiera de un espacio muestral Ω, y 𝑃(𝐴) ≠ 0 y 𝑃(𝐴 ∩
𝐵) ≠ 0, entonces:
𝑃(𝐴 ∩ 𝐵 ∩ 𝐶) = 𝑃(𝐴)𝑃(𝐵/𝐴)𝑃(𝐶/𝐴 ∩ 𝐵)
EVENTOS INDEPENDIENTES
Dos eventos son independientes si la incidencia de uno u otro no afecta la probabilidad
en la incidencia del otro.
DEFINICIÓN 02:
Dos eventos A y B son independientes sí y sólo si:
𝑃(𝐴 ∩ 𝐵) = 𝑃(𝐴)𝑃(𝐵)
TEOREMA 11:
Si los eventos A y B son independientes entonces los eventos A y B’ también son
independientes.
DEFINICIÓN 03:
Los eventos 𝐴1 , 𝐴2 , . . . , 𝐴𝑘 son independientes si y sólo si la probabilidad de la
intersección de 2, 3, …, ó k de estos eventos es igual al producto de sus respectivas
probabilidades.

TEOREMA DE BAYES

TEOREMA 12: Teorema de probabilidad total.

Si los eventos 𝐵1 , 𝐵2 , . . . , 𝐵𝐾 constituyen una partición del espacio muestral Ω, y 𝑃(𝐵𝑖 ) ≠
0 para i = 1, 2,…,k; entonces para cualquier evento A contenido en Ω
𝑘

𝑃(𝐴) = ∑ 𝑃(𝐵𝑖 )𝑃(𝐴/𝐵𝑖 )

𝑖=1

TEOREMA 13:
Si los eventos 𝐵1 , 𝐵2 , . . . , 𝐵𝐾 constituyen una partición del espacio muestral Ω, y 𝑃(𝐵𝑖 ) ≠
0 para i = 1, 2,…,k; entonces para un evento A cualquiera contenido en Ω, tal que 𝑃(𝐴) ≠
0, se cumple:
𝑃(𝐵𝑟 )𝑃(𝐴/𝐵𝑟 )
𝑃(𝐵𝑟 /𝐴) = 𝑘 ; 𝑟 = 1,2, . . . , 𝑘
∑𝑖=1 𝑃(𝐵𝑖 )𝑃(𝐴/𝐵𝑖 )
6. DISTRIBUCIONES DE PROBABILIDAD Y DENSIDADES DE
PROBABILIDAD
Recordemos inicialmente que en la estadística descriptiva precisamos que existen las
variables aleatorias, siendo aquellas que se asocian a la ocurrencia de un fenómeno
aleatorio. Cuando una de estas variables aleatorias toma diversos valores, la probabilidad
asociada a cada uno de tales valores puede ser organizada como una distribución de
probabilidad, la cual es la distribución de las probabilidades asociadas a cada uno de los
valores de la variable aleatoria.
Las distribuciones de probabilidad pueden representarse a través de una tabla, una gráfica
o una fórmula, en cuyo caso tal regla de correspondencia se le denomina función de
probabilidad.
6.1.VARIABLE ALEATORIA
DEFINICIÓN 04:
Dado un experimento є y Ω el espacio muestral asociado a є. Una función X que
asigna a cada elemento ω en Ω uno y solamente un número real 𝑥 = 𝑋(𝜔), se llama
variable aleatoria. Es decir, X es una función real, 𝑋: Ω → ℝ

6.1.2.CLASES DE VARIABLE ALEATORIA

(a) VARIABLE ALEATORIA DISCRETA
DEFINICIÓN 05:
Si el rango de una variable aleatoria X, es un conjunto finito o infinito numerable,
se llama variable aleatoria discreta. Es decir:
𝑅𝑋 = {𝑥1 , 𝑥2 , 𝑥3 , . . . }
FUNCIÓN DE PROBABILIDAD Ó FUNCIÓN DE CUANTIA
Sea “x” el valor de una variable aleatoria X discreta. Una función real valorada 𝑓
definida en el rango de la variable X, será una Función de Cuantía o una Función
de Probabilidad si satisface las siguientes condiciones:
(i) 𝑓(𝑥) ≥ 0, ∀𝑥 ∈ 𝑅𝑥
(ii) ∑∀𝑥∈𝐷𝑓 𝑓(𝑥) = 1

𝑓(𝑥) Representa la probabilidad que la variable aleatoria X tome el valor de x;

Es decir:
𝑓(𝑥) = 𝑝(𝑥) = 𝑃 [𝑋(𝜔) = 𝑥 ] y 0 ≤ 𝑓(𝑥) ≤ 1
 DISTRIBUCIÓN DE PROBABILIDAD DE X
El conjunto de parejas ordenadas (𝑥, 𝑝(𝑥)) donde 𝑥 ∈ 𝑅𝑋 recorrido de X, se llama
distribución de probabilidad de X.
Se representa mediante una tabla:
X x1 x2 … xn
P(X=x) P(x1) P(x2) … P(xn)

FUNCION DE DISTRIBUCIÓN
Sea X una variable aleatoria discreta con rango 𝑅𝑥 = {𝑥1 , 𝑥2 , 𝑥3 , . . . } y función de
probabilidad 𝑝(𝑥𝑖 ) = 𝑃[𝑋 = 𝑥𝑖 ], sea x un número real cualquiera, La Función de
Distribución de X se denota por “F(x)” y se define como:

𝐹(𝑥) = 𝑃 [𝑋 ≤ 𝑥 ] = ∑ 𝑝(𝑥𝑖 )
𝑥𝑖 ≤𝑥

𝐹(𝑥) = ∑ 𝑃[𝑋 = 𝑥𝑖 ]
𝑥𝑖 ≤𝑥

ESPERANZA MATEMÁTICA Y VARIANZA

La esperanza matemática de una variable aleatoria se define por:

𝐸(𝑥) = ∑ 𝑥𝑓(𝑥) = 𝜇
∀𝑥∈𝐷𝑓

La varianza de una variable aleatoria discreta está definida por:

𝑉(𝑥) = ∑ (𝑥 − 𝜇)2 𝑓(𝑥) = 𝜎 2

∀𝑥∈𝐷𝑓

(b) VARIABLE ALEATORIA CONTINUA

DEFINICIÓN 06:
Si el rango 𝑅𝑥 de una variable aleatoria X es un intervalo sobre la recta de los
números reales, se llama variable aleatoria continua.

FUNCIÓN DE DENSIDAD DE PROBABILIDAD

Sea x el valor de una variable aleatoria X continua. Una función real valorada 𝑓
definida en ℝ, será una función de densidad si cumple las siguientes condiciones:
(i) 𝑓(𝑥) ≥ 0, ∀𝑥 ∈ ℝ
 +∞
(ii) ∫𝑅 𝑓(𝑥)𝑑𝑥 = 1 ó ∫−∞ 𝑓(𝑥)𝑑𝑥 = 1
𝑥

𝑓(𝑥) no es una probabilidad y como tal puede ser mayor de uno.

FUNCIÓN DE DISTRIBUCIÓN
Sea X una variable aleatoria continua con función de densidad 𝑓(𝑥). La función de
distribución (o función de distribución acumulada) de la variable aleatoria X,
denotado por “F(x)”, se define por:
𝑥
𝐹(𝑥) = 𝑃 [𝑋 ≤ 𝑥 ] = ∫ 𝑓(𝑡)𝑑𝑥 ∀𝑥 ∈ ℝ
−∞

ESPERANZA MATEMÁTICA Y VARIANZA

La esperanza matemática de una variable aleatoria se define por:
+∞
𝐸(𝑥) = ∫ 𝑥𝑓(𝑥)𝑑𝑥 = 𝜇
−∞

La varianza de una variable aleatoria discreta está definida por:

+∞
𝑉(𝑥) = ∫ (𝑥 − 𝜇)2 𝑓(𝑥) = 𝜎 2
−∞

BIBLIOGRAFÍA

1. MASON Y LIND. (2005). Estadística para Administración y Economía, Editorial

Alfaomega.
2. RICHARD LEVIN Y DAVID RUBIN. (2004). Estadística para Administración. Editorial
Prentice Hall.
3. WALPOLE R. Y MYRES H. (2005). Probabilidad y Estadística. Editorial Mc Graw Hill.
4. CORDOVA, M. “Estadística Descriptiva e Inferencial”, Editorial Moshera.