Unidad 1 Proba

CONCEPTOS BASICOS DE PROBABILDAD
UNIDAD I: CONCEPTOS BASICOS DE PROBABILIDAD
INTRODUCCION A LA PROBABILIDAD
La teoría de la Probabilidad es la rama de las matemáticas que tiene que ver con los fenómenos
aleatorios. Pero, ¿qué es un fenómeno aleatorio? Muchos fenómenos tienen la propiedad de que
su observación repetida bajo un conjunto específico de condiciones invariablemente lleva al mismo
resultado (por ejemplo, la ley de la gravedad). Hay otros fenómenos cuya observación repetida
bajo un conjunto específico de condiciones no siempre lleva al mismo resultado. Estos últimos son
los fenómenos que pensamos como aleatorios y que son el objeto de este curso.
También se define un fenómeno aleatorio como aquél cuyos resultados no pueden predecirse con
exactitud antes de su realización, es decir, existe incertidumbre asociada con los resultados de
dichos fenómenos y, por lo tanto, decimos que están sujetos al azar. La experiencia ha mostrado
que muchos de estos fenómenos no determinísticos exhiben una regularidad estadística que los
hace sujetos de estudio. La probabilidad se encarga del estudio formal de las reglas de la
incertidumbre que permiten modelar lo impredecible de éstos fenómenos (es decir, estudia la
medida de la incertidumbre).
Los siguientes fenómenos se pueden considerar aleatorios:
 El número de placa que le toque a un automóvil.

 El punto de un círculo en que cae el lanzamiento de un dardo.
 El promedio de la carrera que alcanza un estudiante.
 El momento en que se dará la muerte de una persona.
 El que salga o no defectuoso un componente que se elige de un lote.
 El número de accidentes laborales en una planta en cierto período de tiempo.
 El número de huracanes que se tendrán en un año.
 El peso que tendrá un animal al cumplir un año de edad.
Es importante mencionar que en este curso diferenciaremos los términos posible y probable. Un
fenómeno es o no posible, mientras que si es posible puede ser más o menos probable, lo cual
implica una medida.
INTERPRETACIONES DE LA PROBABILIDAD
A nivel filosófico existen dos puntos de vista: uno en que se piensa que todo fenómeno en el
universo sigue una ley o conjunto de ellas y aquellos fenómenos para los cuales el ser humano no
conoce dicha ley, se dice que son aleatorios (por ejemplo, los números aleatorios generados por
una computadora, en realidad siguen un algoritmo). El otro punto de vista es el que sostiene que
la aleatoriedad como tal existe en el universo. De cualquier manera, hoy día para el ser humano
existe la incertidumbre en muchos de los aspectos de su vida.
L. A. Ma. Auxilio Chan García 1

UNIDAD I
Históricamente, algunos tratados de probabilidad aparecieron, al parecer, en Italia a finales del

siglo XV. Un manual para apostadores de juegos que consideraba problemas interesantes de
probabilidad fue escrito por Cardano (1500-1572). El mayor avance que condujo a la ciencia
moderna de probabilidad fue el trabajo del matemático francés Blaise Pascal quien, en 1654,
resolvía un problema relacionado con el juego por lo que entabló correspondencia con otro
matemático francés, Pierre de Fermat. El problema se resolvió mediante esta correspondencia y
este trabajo es considerado como el comienzo de la probabilidad moderna.
En el transcurso del trabajo de Pascal, se desarrolló, de manera independiente, el cálculo

diferencial e integral por Newton y Leibniz; el avance subsecuente de la teoría de probabilidad
ha dependido considerablemente del cálculo. En los siglos XVIII y XIX, la teoría de probabilidad
se desarrolló a ritmo constante con contribuciones hechas por científicos como James Bernoulli, de
Moivre, Legendre, Gauss y Poisson, sus contribuciones hicieron posible un muy rápido crecimiento
de esta ciencia en el siglo XX1.
Existen varias formas de definir la probabilidad, las cuales representan enfoques diferentes en
el estudio de esta teoría, las más importantes son la definición Clásica (a priori), la definición de
Frecuencia Relativa (a posteriori) y la definición Axiomática.
La definición clásica de probabilidad se aplicó con bastante éxito en problemas de juegos de

azar y ayudó a sentar las bases para construir la teoría matemática. Su definición es como sigue:
Si en un experimento se tiene un conjunto finito de posibles resultados y se denota por A un
subconjunto de estos posibles resultados, la probabilidad del evento A se obtiene como el cociente
de la cardinalidad de A entre el número total de posibles resultados
La interpretación de probabilidad de acuerdo a la frecuencia relativa la utilizaremos solamente

como motivación intuitiva ya que los fenómenos aleatorios no se comportan siempre así, es aquella
en la que el enunciado de que cierto resultado experimental tenga probabilidad p puede
interpretarse como que si el experimento se repitiese un número grande de veces, aquel resultado
sería observado cerca del 100p por ciento del tiempo.
En la definición axiomática de la probabilidad no se establece la forma explícita de calcular las

probabilidades, sino que se proponen ciertas reglas que el cálculo de probabilidades debe
satisfacer entre las que se encuentran los tres postulados o axiomas que fueron establecidos en
1933 por el matemático ruso Andrey Nikolaevich Kolmogorov. El enfoque de este curso será este
último.2
ACTIVIDAD DE APRENDIZAJE No. 1
En equipos, recabar información sobre la definición de probabilidad en distintas fuentes de

consulta, presentar un cuadro comparativo en el que se comparen dichas definiciones y proponer
una definición propia.
1 Véase “Probability for risk management”.

2 Véase “Fundamentos de Probabilidad y Estadística”/ “Introducción a la Probabilidad”.
2 NOTAS DE CURSO
ESPACIOS DE PROBABILIDAD
El propósito de esta sección es desarrollar la estructura matemática formal llamada espacio de

probabilidad, la cual constituye el fundamento para el tratamiento matemático de los fenómenos
aleatorios.
Espacio muestral
Supongamos que tenemos un experimento real o imaginario bien definido cuyos resultados no
son predecibles con certeza y que estamos tratando de modelar. Lo primero que tenemos que
hacer es definir los posibles resultados de dicho experimento (no se debe excluir ninguno de los
posibles). Luego establecemos un conjunto Ω cuyos elementos  están asociados uno-a-uno con
estos resultados, a este conjunto se le conoce como espacio muestral. Si el espacio muestral tiene
un número finito o infinito contable de puntos muestrales se le llama discreto, en otro caso, se dice
que es continuo.
Nótese que para un mismo experimento se pueden definir varios espacios muestrales
dependiendo de nuestro interés.
Ejemplos:
1. En la concepción de un bebé, de acuerdo a su sexo se tienen dos posible resultados, entonces

Ω: {hombre, mujer}
2. Al tirar dos dados distintos, si se observan las parejas donde el primer elemento es la cara en
que cayó el primer dado y el segundo elemento es la cara en que cayó el otro dado, se tienen
36 resultados posibles:
(1,1)(1,2) … (1,6)
Ω : {(2,1)(2,2) … (2,6)
…
(6,1)(6,2) … (6,6)
En cambio, si lo que interesa es la suma de los puntos de ambas caras, se tienen 11 resultados
posibles Ω: {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
3. Al medir el tiempo que dura un transistor Ω: [0,∞), que es un espacio muestral continuo, pero
si la duración se mide en días el espacio muestral es Ω: {0, 1, 2, 3, …} que es discreto.
4. Cuando un alumno se inscribe a un curso, si lo que interesa es su resultado final, se tienen dos
posibles resultados en Ω: {aprueba, reprueba}={su calificación es <70, su calificación es ≥70}.
Pero también puede interesarnos la puntuación que alcanza, entonces Ω: {0,1,2,3,…,100}.
5. Al considerar el orden en el que 10 alumnos llegan a clase, Ω consistiría en las permutaciones

correspondientes, es decir, tendría 10! elementos.


UNIDAD I
En equipos, proporcionar mediante lluvia de ideas tres ejemplos de experimentos aleatorios y

definir un espacio muestral para cada uno de ellos, determinando si éste es discreto o continuo.
Espacio de eventos
Una vez definido el espacio muestral de un experimento aleatorio, tomamos una colección no
vacía A de subconjuntos de Ω a los cuales nos interesa asignar probabilidades, a esta colección
se le llama clase.
El conjunto A debe ser una colección no vacía de subconjuntos de Ω que tenga las siguientes
propiedades:
i) Si A está en A, Ac está en A.
ii) Si A y B están en A, A U B y A ∩ B están en A.
Luego, por inducción, se puede demostrar que si A1, A2,..., An son conjuntos en A, entonces también
⋃ni=1 Ai y ⋂ni=1 Ai están en A..
Además se tiene que como A∩Ac= Ø y AUAc= Ω, entonces Ø y Ω están en A.
Si Ω es un espacio muestral discreto finito, se define el conjunto potencia o clase potencia de Ω

como aquél que consiste en todos los subconjuntos de Ω (incluyendo Ω mismo, así como Ø) y se
denota por 2Ω, este conjunto cumple las propiedades (i) y (ii) anteriores.
Ejemplos:
En los ejemplos anteriores, la clase potencia se define como sigue:
1. A =2Ω = { Ø, Ω, {H}, {M}}
2. A =2Ω = { Ø, Ω, {(1,1)}, …, {(6,6)},

{(1,1),(1,2)},…,{(6,5),(6,6)},
{(1,1),(1,2),(1,3)},…,{(6,4),(6,5),(6,6)},
…(hasta los subconjuntos con 35 pares)}
| A |= 68,719,476,736 subconjuntos.
3. Ninguno de los espacios muestrales propuestos es finito por lo que no puede expresarse el
conjunto potencia.
4. A =2Ω={ Ø, Ω, {aprueba}, {reprueba}}


4 NOTAS DE CURSO
Una colección no vacía de subconjuntos de un conjunto dado Ω que es cerrado bajo un conjunto
finito de operaciones ordinarias de teoría de conjuntos se llama un campo de subconjuntos de Ω.
Vamos a requerir que A sea cerrado no solamente bajo un conjunto finito de operaciones
ordinarias de teoría de conjuntos, sino también bajo un conjunto infinito contable de operaciones
ordinarias de teoría de conjuntos, es decir, si {An}, n≥1, es una secuencia de conjuntos en A,
entonces ⋃∞ ∞
i=1 Ai y ⋂i=1 Ai están en A.
Una colección no vacía de subconjuntos A de un conjunto Ω se llama una -álgebra de

subconjuntos de Ω siempre que las siguientes dos propiedades se cumplan:
i) Si A está en A, Ac está en A.
ii) Si An está en A, n=1,2,..., entonces ⋃∞ ∞
i=1 Ai y ⋂i=1 Ai están en A.
Es decir, una colección de subconjuntos de un conjunto dado Ω que es cerrado bajo un conjunto
contable de operaciones teóricas se llama un -campo o -álgebra de subconjuntos de Ω.
Si Ω es un espacio muestral discreto finito, se puede demostrar que el conjunto potencia constituye
una -álgebra de subconjuntos de Ω, sin embargo, no siempre es la más adecuada de acuerdo
con el comportamiento del fenómeno aleatorio.
{Ω,Ø} es una-álgebra de subconjuntos de Ω y recibe el nombre de -álgebra trivial y es la -

álgebra más pequeña posible.
Ejemplos:
1. Para los ejemplos 1 y 2 anteriores la -álgebra que se propone es 2Ω (el conjunto potencia).
2. Sea Ω={1,2,3,4}
Si se definen las siguientes clases:
A1 ={Ø,Ω,{1},{2},{3},{4},{1,2},{1,3},{1,4},{2,3},{2,4},{3,4},{1,2,3},{1,2,4},{2,3,4},{1,3,4}}
A2 ={{1},{2}}
Se puede demostrar que la clase A1 (la clase potencia) es una -álgebra mientras que la clase
A2 no lo es.
3. Sea Ω={1,2,3,4,5}
El conjunto { Ø, Ω, {1},{3},{1,3},{2,4,5},{2,3,4,5},{1,2,4,5}} es una -álgebra.


Para espacios muestrales continuos, se puede definir una -álgebra con base a una partición.

Los elementos de una -álgebra reciben el nombre de eventos.
(Nótese que la definición de evento depende de cuál sea la “-álgebra” bajo consideración).
Es decir, un evento es un subconjunto A en A y, por lo tanto, es un subconjunto del espacio muestral

Ω.
Los subconjuntos Ω y Ø son siempre eventos sin importar cuál sea la -álgebra A subyacente y
se llaman respectivamente evento seguro y evento imposible.
Un evento elemental Ei es un evento que tiene un solo elemento de Ω, Ei = {i}.
Cuando la -álgebra considerada contiene todos los eventos simples del experimento, los demás
eventos se pueden expresar como una función del álgebra de conjuntos de dichos eventos.
Si Ω es un espacio muestral y A un subconjunto de Ω, el enunciado “el evento A ocurre” significa

que el resultado del experimento está representado por algún punto   A. Note que Ω siempre
ocurre y Ø nunca ocurre.
Llamamos complemento de A, denotado por Ac, al conjunto Ω-A. El evento Ac ocurre si y sólo si A
no ocurre.
El evento A1UA2 ocurre si y sólo si ocurre A1 o A2.
El evento A1∩A2 ocurre si y sólo si ocurre A1 y A2 ocurren al mismo tiempo.
Si A1∩A2=Ø se dice que son mutuamente excluyentes, que dos eventos sean mutuamente
excluyentes significa que si uno ocurre el otro no puede ocurrir
Si A  B la ocurrencia de A implica la ocurrencia de B.
Una vez que podemos representar el experimento en términos matemáticos, podemos estudiarlo
utilizando los axiomas y resultados que conocemos.
Ejemplos:
1. Sean ={1,2,3} y A = {{1},{2,3},Ø,Ω}
El conjunto E1={1} es evento bajo la -álgebra A.
El conjunto E2={2} no es evento bajo esta -álgebra.
El evento E1 es elemental mientras que el evento A={2,3} no es elemental.

UNIDAD I
Si al realizar el experimento se obtiene como resultado 2, se dice que ocurrió el evento A.
2. En la observación del sexo de un bebé al nacer se tiene:
Ω: {hombre, mujer}
A ={ Ø, Ω, {H}, {M}}
Evento A: el recién nacido es hombre = {H}
Evento seguro: el recién nacido es hombre o mujer = Ω
Evento imposible: el recién nacido es hombre y mujer = Ø
3. Al tirar dos dados, se observa la suma de los puntos de ambos dados.
Ω: {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}
A =2Ω
Se definen los siguientes eventos:
A: La suma de los dados es 6 = {6}
B: La suma es un número par = {2, 4, 6, 8, 10, 12}
C: La suma es un número non = {3, 5, 7, 9, 11}
A U B : La suma de los dados es 6 o es un número par = {2, 4, 6, 8, 10, 12}
A ∩ B : La suma de los dados es 6 y es un número par = {6}
4. Al medir los días que dura un transistor, Ω: {0, 1, 2, 3, …}
Ω={0, 1, 2, 3, …}
A = {{0, 1, 2, 3, 4, 5}, {6, 7, 8, …}, Ø, Ω}
El evento A: el transistor no dura más de 5 días = {0, 1, 2, 3, 4, 5}
El evento AC: el transistor dura más de 5 días = {6, 7, 8, …}


2 NOTAS DE CURSO
En equipos, proporcionar los eventos elementales y dos eventos que no sean elementales para
los tres ejemplos propuestos en la actividad de aprendizaje anterior.
Ejercicios:
1. Sean E, F y G tres eventos definidos para un mismo espacio muestral. Proporcione la expresión
correspondiente a las siguientes afirmaciones en términos de operaciones de conjuntos:
a) Sólo E ocurre.
b) Ocurren E y G pero no ocurre F.
c) Al menos uno de los tres ocurre.
d) A lo mucho uno de ellos ocurre.
e) Exactamente dos de ellos ocurren.
f) Los tres ocurren.
2. En un grupo grande de personas se examinará a cada una para ver si presenta síntomas
comunes de cierta enfermedad. Dicha enfermedad puede presentar el síntoma A, el síntoma B o
ambos. Al elegir una persona al azar del grupo, defina los eventos elementales del experimento.
3. En una cafetería que ofrece un menú de tres tiempos cada persona debe escoger un guisado,
una guarnición y un postre para armar una comida. Las opciones son las siguientes:
pasta helado
pollo gelatina
Guisados: { Guarniciones: { arroz Postres: {
pescado pie
papas
duraznos
a) ¿Cuál es el espacio muestral correspondiente a las comidas de las personas?

b) Sea A el evento de elegir helado, especifique los elementos de A.
c) Liste todos los elementos de A∩B si B es el evento de elegir pollo.
4. De una encuesta de 60 estudiantes que asisten a clase en una universidad, se encontró que 9
viven fuera del campus, 36 estudian una licenciatura del área de matemáticas y 3 son estudiantes
de una licenciatura del área de matemáticas y viven fuera del campus. Defina los eventos
involucrados en los enunciados anteriores y, utilizando teoría de conjuntos, encuentre el número
de estos estudiantes que corresponde a cada uno de los siguientes incisos:
a) Estudian una licenciatura del área de matemáticas, viven fuera del campus o ambos.
b) Estudian una licenciatura del área de matemáticas y viven en el campus.
c) No estudian una licenciatura del área de matemáticas y viven en el campus.

La medida de probabilidad y sus propiedades
Una vez definido el espacio muestral Ω y la -álgebra A a considerar, se puede definir la

medida de probabilidad. Hay que recordar que solamente se le asignará una probabilidad a
los elementos de la -álgebra propuesta para el espacio muestral del que se trate, es decir, a
los eventos.
La definición axiomática establece que la probabilidad de un evento A es un número real no-

negativo P(A), donde P es una función real-valuada que pone magnitud a cada evento, es decir,
P: A IR.
Axiomas de Kolmogorov
Una medida de probabilidad P(.) satisface tres axiomas:
i) P(Ω)=1
ii) P(A)≥0 para todo A en A
iii) Si 𝐴𝑖 , i=1,2,...,n son conjuntos en A mutuamente disjuntos, entonces
𝑃(⋃∞ ∞
𝑖=1 𝐴𝑖 ) = ∑𝑖=1 𝑃(𝐴𝑖 )
El axioma (i) establece que, con probabilidad 1, el resultado del experimento va a ser un punto
de Ω.
El axioma (ii) establece que la probabilidad de todo evento debe ser no negativa, es decir, un
número mayor o igual a 0.
El axioma (iii) establece que para cualquier secuencia de eventos mutuamente excluyentes la
probabilidad de que al menos uno de ellos ocurra es la suma de sus respectivas probabilidades.
Nótese que si se define una partición de Ω que tenga n elementos, 𝐴1 , …, 𝐴𝑛 , al aplicar los
axiomas (i) y el (iii) se cumple que:
𝑃(Ω) = 𝑃(⋃𝑛𝑖=1 𝐴𝑖 ) = ∑𝑛𝑖=1 𝑃(𝐴𝑖 ) = 1
Por otra parte, si el espacio muestral es discreto, al aplicar los axiomas (i) y (iii) para los eventos
elementales se debe cumplir que:
𝑃(Ω) = 𝑃(⋃∞ ∞
𝑖=1 𝐸𝑖 ) = ∑𝑖=1 𝑃(𝐸𝑖 ) = 1
Ejemplo:
Para un espacio muestral Ω, tómese A ={Ω,Ø}.

UNIDAD I
Se define P(Ω)=1 y P(Ø)= 0
Que P cumple las propiedades de una medida de probabilidad se demuestra como sigue:
i) P(Ω) = 1 por definición.
ii) Como A solamente tiene dos elementos con P(Ω)=1 y P(Ø)= 0, entonces P(A)≥0 para todo A
en A.
iii) Ω y Ø son subconjuntos disjuntos en A y se cumple que P(Ω∪Ø)= P(Ω)= 1= P(Ω)+P(Ø)
Por lo tanto, P es una medida de probabilidad.


Propiedades de la Probabilidad
Supongamos que tenemos un espacio de probabilidad (Ω, A, P) dado y que los eventos que se
mencionan a continuación están en A, pueden verificarse entonces los siguientes resultados:
1. Sea A un evento, entonces P(A)= 1- P(Ac)
Demostración:
Se sabe que A∩Ac = Ø y AUAc = Ω
Por los axiomas (i) y (iii) se tiene que:
1= P(Ω) = P(AUAc) = P(A)+P(Ac)
Despejando obtenemos
P(A)= 1- P(Ac)
2. La probabilidad del evento imposible Ø es siempre cero.
Demostración:
Como Ωc = Ø, por el resultado anterior P(Ø) = P(Ωc ) = 1 - P(Ω) = 0
3. Para cualquier evento A, 0 ≤ P(A) ≤ 1
Demostración:
Por el axioma (ii) P(A)≥0
Si P(A)>1, como P(Ω) = P(A) + P(Ac), entonces 1-P(A) = P(Ac)
Si 1-P(A) ≤ 0 entonces P(Ac)≤0 !
2 NOTAS DE CURSO
Por tanto 0≤1-P(A), es decir, P(A)≤1
4. Sean A y B dos eventos, entonces P(B)= P(B∩A) + P(B∩Ac)
Demostración:
P(B)= P(Ω∩B) = P[(AUAc) ∩ B] = P [(A∩B) U (Ac∩B)] = P(A∩B) + P(Ac∩B)
Lo anterior debido a que como A y Ac son disjuntos, (A∩B) U (Ac∩B) también lo son.
La demostración de las siguientes propiedades, se deja al alumno.
5. Sean A y B dos eventos, entonces P(AUB) = P(A) + P(B) - P(A∩B)

6. P(AUB) ≤ P(A) + P(B)
7. Si B  A, entonces P(A–B)= P(A) – P(B) ; A–B=A∩Bc
8. Si B  A, entonces P(B)≤P(A)
9. P(A∩B) ≥ P(A) + P(B) – 1 (Desigualdad de Bonferroni)
10. P(AUB) = 1 – P(Ac∩Bc)
Esta última propiedad se puede extender para n eventos: P(⋃ni=1 Ai ) = 1 − P(⋂ni=1 Aci )
Note que ⋃ni=1 𝐴𝑖 denota el evento de que al menos uno de los eventos 𝐴𝑖 ocurra, mientras que
⋂ni=1 𝐴𝑐𝑖 denota el evento de que ninguno de estos eventos ocurra y a veces es más fácil calcular
la ocurrencia de este último evento.
Las propiedades anteriores ayudan a simplificar el cálculo de la probabilidad de algunos eventos

como se muestra en los siguientes ejemplos.
Ejemplos:
1. Suponga que 3 monedas perfectamente balanceadas e idénticas son lanzadas. El espacio

muestral está conformado por 8 posibles resultados que son las ternas en las que pueden caer
las monedas, Ω={sss, ssa, sas, ass, saa, asa, aas, aaa}.
Como las monedas están perfectamente balanceadas, se puede definir una medida de
probabilidad que asigna a cada resultado del espacio muestral la misma probabilidad, es decir,
P(Ei)=1/8.
Además se definen los siguientes eventos no elementales:

UNIDAD I
A1: La primera moneda cae en sol.

A2: La segunda moneda cae en sol.
A3: La tercera moneda cae en sol.
Para encontrar la probabilidad de que al lanzar las tres monedas, al menos una de ellas resulte
sol, se procede como sigue:
P(A1UA2UA3) = 1 - P(A1UA2UA3)C = 1 - P(A1C ∩ A2C ∩ A3C)
A1C ∩ A2C ∩ A3C corresponde al evento de que ninguna moneda resulte sol, es decir, que todas
caigan en águila, lo cual está representado por una sola terna, por lo que:
P(A1UA2UA3) = 1 - 1/8 = 7/8
2. En una central médica, la probabilidad de que un paciente que consultó a un médico de primer
contacto no requiera análisis de laboratorio ni sea referido con un especialista es del 35%. De
los que consultaron a un médico de primer contacto, 40% requieren análisis de laboratorio y
30% son referidos con un especialista.
Se definen los siguientes eventos:
A: El paciente requiere análisis de laboratorio.

B: El paciente es referido con un especialista.
Para calcular la probabilidad de que al consultar a un médico de primer contacto, un paciente

requiera análisis de laboratorio y sea referido a un especialista se utiliza la información conocida
como sigue:
P(AC ∩ BC) = 0.35 P(A) = 0.40 P(B) = 0.30
P(A∩B) = P(A)+P(B) - P(AUB) = P(A)+P(B) -1+P[(AUB)C] = P(A)+P(B) -1+P(AC ∩ BC)

P(A∩B) = 0.40+0.30-1+0.35 = 0.05

Ejercicios:
1. Demuestre las siguientes propiedades:
a) P(AUBUC) = P(A)+P(B)+P(C)–P(A∩B)-P(B∩C)-P(A∩C)+P(A∩B∩C)
b) P[(A∩BC) U (AC∩B)] = P(A) + P(B) – 2P(A∩B)
4 NOTAS DE CURSO
2. Suponga que se lanzan dos dados legales y se observa el número de puntos en que cae cada
dado. Se definen los siguientes eventos:
A: La suma de los dados es par.

B: Al menos un dado cae en 1.
C: La suma de los dados es 5.
Exprese con palabras los siguientes eventos y calcule su probabilidad: Ac, AUC, B∩C, A∩Bc,
A∩B∩C.
3. Suponga que A y B son dos eventos mutuamente excluyentes con P(A)= 0.3 y P(B)= 0.5, calcule
la probabilidad de que:
a) Ocurra A o B.
b) Ocurra A pero no B.
c) Ocurra A y B.
4. En una ciudad hay 10,000 automovilistas los cuales se clasifican como: jóvenes o viejos, hombre
o mujeres, casados o solteros. Se sabe que 3000 son jóvenes, 4600 son hombres y 7000 son
casados. Además se sabe que 1320 son hombres jóvenes, 3010 son hombres casados, 1400 son
jóvenes casados y 600 son hombres casados jóvenes. Calcule la probabilidad de que al
seleccionar un automovilista al azar resulte una mujer joven soltera.
5. Suponga que se compran 3 libros de texto distintos en una librería que anunció la liquidación
del 20% de sus existencias. Si los descuentos fueron asignados al azar y lo que nos interesa es
el número de libros que se compraron con descuento,
a) Describa el espacio muestral.

b) Sea P(Ek) = (𝑘3)(.20)k(.80)3-k la probabilidad de cada evento elemental. Demuestre que
𝑃(⋃∞ ∞
𝑖=1 𝐸𝑖 ) = ∑𝑖=1 𝑃(𝐸𝑖 ) = 1
c) Calcule la probabilidad de que por lo menos 2 de los libros se hayan comprado con
descuento.
6. Para modelar el número de accidentes automovilísticos que tiene un individuo en un período

de tres años, se propone que P(n+1)=0.2P(n) para n≥0 y P(0)>0. Calcule P(0) y la probabilidad
de que un individuo tenga más de un accidente en dicho período.

Espacio de Probabilidad
Un espacio de probabilidad, denotado por (Ω, A, P), es un conjunto Ω, una -álgebra de

subconjuntos A y una medida de probabilidad P definida sobre A.
Este modelo de probabilidad permite cuantificar la incertidumbre a través de la especificación de

probabilidades de los eventos. Los modelos de probabilidad son los objetos que estudia la teoría de
probabilidad.
A la terna (Ω, A, P) en la que para un espacio muestral dado Ω se supone A ={Ω,Ø} y se define
P(Ω)=1 y P(Ø)= 0, se le conoce como el espacio de probabilidad trivial.
ACTIVIDAD DE APRENDIZAJE No. 4.
En equipos, a partir de los ejemplos proporcionados en la Actividad de Aprendizaje No. 1,

construir un espacio de probabilidad definiendo cada uno de los elementos del mismo.
Espacios Uniformes
Caso discreto
Decimos que un modelo de probabilidad con espacio muestral finito Ω={ 1,...n} es uniforme si la
medida de probabilidad cumple P(E1)=...= P(En), donde Ei = {i}. Es decir, un espacio de
probabilidad es uniforme si todos los resultados en el espacio muestral tienen la misma
probabilidad de ocurrir o son equiprobables.
Tal espacio de probabilidad es llamado un espacio de probabilidad simétrico porque cada

1
subconjunto de un-punto (eventos elementales) tiene la misma probabilidad: P(Ei)=
𝑛
Para construir un espacio de probabilidad uniforme se toma Ω que tenga solo un numero finito
de puntos, se define A como el conjunto de todos los subconjuntos de Ω y se asigna a cualquier
subconjunto A∈A la probabilidad P(A) definida como la cardinalidad de A entre la cardinalidad
⋕𝐴
de Ω, es decir, P(A)=
⋕Ω
Ejemplos:
1. Sea Ω={1,2,3}
Si se definen las siguientes 𝜎-álgebras: A 1= 2Ω y A2 = {Ø, Ω1 , {1}, {2,3}}

UNIDAD I
#A 1 si 1 ∈ A
Con las medidas de probabilidad: 𝑃1 (𝐴) = 𝑦 𝑃2 (𝐴) = {
3 0 si 1 ∉ A
(Ω, A1, P1(A)) y (Ω, A2, P2(A)) son espacios de probabilidad diferentes.
En (Ω, A1, P1(A)), se tienen que P1({1})=P1({2})=P1({3})=1/3
En (Ω, A2, P2(A)), se tiene que P2({1})=1 y P2({2,3})=0
(Ω, A1, P1(A)) es un espacio uniforme o simétrico, mientras que (Ω, A2, P2(A)) no lo es.
2. Suponga que se elige un cuarteto al azar de un grupo de 3 alumnos de primer semestre, 4 de

segundo semestre, 4 de tercer semestre y 3 de cuarto semestre; el espacio muestral está
conformado por todos los cuartetos posibles del total de 14 alumnos por lo que Ω tiene una
cardinalidad igual a las combinaciones de 14 en 4.
Sea A el evento que denota que el cuarteto está conformado por un elemento de cada semestre:
(31)(41)(41)(31)
𝑃 (𝐴 ) = = 0.143856
(14
4
)
Sea B el evento que denota que el cuarteto está conformado por 2 elementos de segundo
semestre y 2 de tercer semestre:
(42)(42)
𝑃 (𝐵 ) = = 0.035596
(14
4
)
Sea C el evento que denota que el cuarteto está conformado solo por elementos de tercer y
cuarto semestre:
(41)(33) + (42)(32) + (43)(31)

𝑃 (𝐶 ) = = 0.033966
(14
4
)
Nótese que todos los alumnos tienen la misma probabilidad de ser elegidos.

Caso continuo
Suponga que el espacio muestral Ω es el intervalo [a,b] en la línea real donde -∞≤a<b≤∞. La
longitud de Ω es la distancia entre a y b. Parece razonable en este caso medir el “tamaño” de
un subconjunto A⊂Ω por su longitud. Dos conjuntos entonces son del mismo tamaño si tienen la
misma longitud. Denotamos la longitud del subconjunto A por |A|.
2 NOTAS DE CURSO
Para construir un espacio de probabilidad para el experimento que consiste en escoger un punto
al azar de Ω, considerando una -álgebra A de subconjuntos de Ω, se define una medida de
|𝐴|
probabilidad P sobre A tal que P(A)= |Ω| para cualquier subconjunto A⊂Ω.
En general, sea Ω cualquier subconjunto del espacio Euclideano r-dimensional que tiene un
volumen finito, no-cero, r-dimensional. Para un subconjunto A de Ω, se denota el volumen de A
por |A|. Existe una -álgebra A de subconjuntos de Ω que contiene todos los subconjuntos de Ω
que tienen un volumen asignado y una medida de probabilidad P definida sobre A tal que
P(A)= |A|/|Ω| para cualquier subconjunto A⊂Ω. Llamamos a tal espacio de probabilidad,
denotado por (Ω, A, P), un espacio de probabilidad uniforme.
En los problemas de probabilidad que involucran la idea de tomar un punto “al azar” de un
conjunto Ω, la idea intuitiva es que si A y B son dos subconjuntos que tienen el mismo “tamaño”
entonces la probabilidad de tomar un punto de A debe ser la misma que de B.
Ejemplo:
Considere el espacio de probabilidad uniforme en el Ω es el cuadrado conformado por el

conjunto {(x,y)|0≤x≤1, 0≤y≤1} en el plano. |Ω|=1.
Sea A el evento: {(x,y)| 0≤x≤1, 0≤y≤1/2}.
Entonces P(A)= |A|/|Ω|= 0.5/1= 0.5

A
Ejercicios:
1. Se elige al azar un punto del disco de radio 1. Encuentre la probabilidad de que caiga en el
sector angular de 0 a /4 radianes.
2. Una urna contiene 10 pelotas numeradas del 1 al 10. Se elige una pelota al azar de la urna.
Calcule la probabilidad de que el número en la pelota sea 3, 4 o 5.
3. Si se lanzan cuatro dados legales, ¿cuál es la probabilidad de que los cuatro números que
aparecen sean distintos?
4. Una urna contiene 10 pelotas, 4 rojas y 6 azules. Una segunda urna contiene 16 pelotas rojas
y un número desconocido de pelotas azules. Al selecciona una pelota de cada urna, la

UNIDAD I
probabilidad de que ambas pelotas sean del mismo color es 0.44. Calcule el número de pelotas
azules en la segunda urna. ¿Es este un espacio de probabilidad uniforme?
5. Un equipo de básquetbol de 3 jugadores consta de un defensa, un delantero y un centro. Si

se escoge aleatoriamente un hombre de cada uno de tres equipos diferentes de 3 jugadores,
¿cuál es la probabilidad de que los 3 jugadores seleccionados jueguen la misma posición?
En equipos, proponer un espacio de probabilidad uniforme discreto y uno continuo, incluyendo el

cálculo de probabilidades para dos eventos en cada caso.
4 NOTAS DE CURSO
Arreglos de Probabilidad
Cuando sobre una misma población se consideran experimentos en los que se observan en forma
simultánea dos o más variables, existe un método muy útil que consiste en arreglar los elementos
del espacio muestral generado por la combinación de dichas variables en una tabla.
Sean A y B dos variables a observar en un experimento y sean A1,..., Am eventos disjuntos

asociados con la variable A y B1,...,Bn eventos disjuntos para la variable B.
Se puede expresar el arreglo de las probabilidades conjuntas, P(Ai∩Bj), y probabilidades

marginales, P(Ai) y P(Bj), como se muestra en la siguiente tabla:
Probabilidades Conjuntas Probabilidades

Evento B1 ... Bn Marginales
Probabilidades A1 P(A1∩B1) ... P(A1∩Bn) P(A1)=∑P(A1∩Bj)

Conjuntas ... ... ... ... ...
Am P(Am∩B1) ... P(Am∩Bn) P(Am)=∑P(Am∩Bj)
Probabilidades Marginales P(B1)=∑P(Ai∩B1) ... P(Bn)=∑P(Ai∩Bn) 1
A partir de las probabilidades conjuntas y marginales y utilizando las propiedades mencionadas

anteriormente se pueden calcular probabilidades de distintos eventos.
Ejemplos:
1. El administrador de un hospital codifica el ingreso de los pacientes que sufrieron heridas de

bala de acuerdo a su están o no asegurados y a si su condición es buena, regular o mala.
Para configurar el arreglo se definen los siguientes eventos:
A1 : El paciente está asegurado

A2 : El paciente no está asegurado
B1 : La condición del paciente es buena

B2 : La condición del paciente es regular
B3 : La condición del paciente es mala
A\B B1 B2 B3
A1 A1∩B1 A1∩B2 A1∩B3
A2 A2∩B1 A2∩B2 A2∩B3
A1∩B1 se interpreta como el paciente está asegurado y su condición es buena.

UNIDAD I
A1cUB1 = A2UB1 se interpreta como el paciente no está asegurado o su condición es buena.
2. En una universidad se entrevistó a los alumnos respecto a sus hábitos de fumar y los
porcentajes que se obtuvieron fueron los siguientes:
HABITO \ SEXO Hombre Mujer Total

Nunca ha fumado 28.51 23.52 52.03
Dejó de fumar 4.63 2.04 6.67
Fuma 34.26 7.04 41.30
Total 67.40 32.60 100.00
Definimos los siguientes eventos:
H: El alumno es hombre. M: El alumno es mujer.

N: El alumno nunca ha fumado. D: El alumno dejó de fumar. F: El alumno fuma.
Si se elige al azar un alumno de esta universidad se tienen las siguientes probabilidades:
Probabilidad de que sea mujer y nunca ha fumado: P(𝑀 ∩ 𝑁)= 0.2352

Probabilidad de que sea hombre: P(H)=0.6740
Probabilidad de haya dejado de fumar: P(D)=0.0667
Probabilidad de que no fume: P(Fc)=0.5870
Probabilidad de que sea hombre o fumador: P(𝐻 ∪ 𝐹)=0.674+0.413-0.3426=0.7444

Ejercicio:
Un doctor está estudiando la relación entre la presión sanguínea y las anormalidades del corazón.
Si él ha encontrado que en sus pacientes el 14% tienen presión alta, 22% tienen presión baja,
15% tienen latidos irregulares, el 5% tienen presión alta y latidos irregulares y el 56% tienen
presión normal y latidos regulares. Construya un arreglo que contenga las probabilidades
conjuntas y marginales del experimento y calcule la probabilidad de que al seleccionar un
paciente al azar, tenga la presión baja o latidos regulares.
PROBABILIDAD CONDICIONAL
Sean A y B dos eventos del mismo espacio de probabilidad tales que P(A)>0 y P(B)>0.
La probabilidad condicional de B dado A, se define como:
2 NOTAS DE CURSO
𝑃(𝐵 ∩ 𝐴)
𝑃(𝐵|𝐴) =
𝑃(𝐴)
Similarmente, se define la probabilidad condicional de A dado B como
𝑃(𝐴 ∩ 𝐵)
𝑃(𝐴|𝐵) =
𝑃(𝐵)
Si P(A)=0 ó P(B)=0 la probabilidad condicional quedaría indefinida.
De las definiciones anteriores se sigue que
P(A∩B)=P(A|B)P(B)=P(B|A)P(A)
Este resultado se conoce como la regla de la multiplicación.
El utilizar probabilidades condicionales equivale a definir como nuevo espacio muestral, el evento
que ha ocurrido.
Algunas propiedades de la probabilidad condicional que se pueden demostrar a partir de las

definiciones anteriores son las siguientes:
1. P(A|Ω) = P(A)
2. P(Ø|A) = 0
3. P(Ω|A) = 1
4. P(Ac|B) = 1 - P(A|B)
5. P(A|Bc) = 1 - P(Ac|Bc)
Ejemplos:
1. Supóngase que para una población se observa el momento del año en el que nace un bebé.
El espacio muestral Ω se puede representar como el intervalo [0,1] y suponer un espacio de
probabilidad uniforme durante el año.
Sean A el evento que denota el hecho de que el bebé nazca en la primera mitad del año y B el
evento que denota el hecho de que el bebé nazca en la primera cuarta parte del año.
UN AÑO
A
B
0 1
Entonces:

UNIDAD I
|𝐴| |𝐵|
𝑃 (𝐴 ) = = 0.5 𝑦 𝑃 (𝐵 ) = = 0.25
|Ω| |Ω|
La probabilidad de que el bebé nazca en la primera mitad del año pero no en la primera cuarta
parte del año está dada por:
𝐶)
|𝐴 ∩ 𝐵𝐶 |
𝑃 (𝐴 ∩ 𝐵 = = 0.25
|Ω|
La probabilidad de que el bebé nazca en la primera cuarta parte del año dado que nació en
la primera mitad del año está dada por:
𝑃(𝐴 ∩ 𝐵) 0.25
𝑃 (𝐵|𝐴) = = = 0.5
𝑃 (𝐴 ) 0.5
2. Supóngase que de una caja con r bolas rojas etiquetadas 1,2,...,r y b bolas blancas etiquetadas
1,2,...b, se elige una bola al azar. Considerando que se trata de un espacio uniforme se tiene
que la probabilidad de sacar cualquier bola es (r+b)-1.
Sean A el evento de que la bola seleccionada sea roja y B el evento de que la bola seleccionada
esté etiquetada con 1:
𝑟 2
P(A)= y P(B)=
𝑟+𝑏 𝑟+𝑏
La probabilidad de que la bola seleccionada esté etiquetada con 1 dado que se sabe que es
roja es:
1
𝑃 (𝐴 ∩ 𝐵 ) 𝑏 + 𝑟 1
𝑃 (𝐵|𝐴) = = 𝑟 =
𝑃 (𝐴 ) 𝑟
𝑏+𝑟
3. Supongamos que dos monedas idénticas y perfectamente balanceadas se tiran una vez. El
espacio muestral tiene cuatro elementos Ω={ss, sa, as, aa} cada uno con probabilidad de 1/4.
Sean A el evento de que la primera moneda caiga en águila y B el evento de que la segunda
moneda caiga en águila.
La probabilidad de que ambas monedas caigan en águila dado que la primera cayó en águila
es:
𝑃(𝐴 ∩ 𝐵) 0.25
𝑃 (𝐴 ∩ 𝐵|𝐴) = = = 0.5
𝑃 (𝐴 ) 0.5
4 NOTAS DE CURSO
La probabilidad de que ambas monedas caigan en águila dado que al menos una cayó en águila
es:
𝑃(𝐴 ∩ 𝐵) 0.25 1
𝑃 (𝐴 ∩ 𝐵|𝐴 ∪ 𝐵) = = =
𝑃(𝐴 ∪ 𝐵) 0.75 3
4. Suponga que de la población de cierta ciudad el 40% son hombres y el 60% son mujeres.
Suponga que el 50% de los hombres fuma y el 30% de las mujeres fuma. Para encontrar la
probabilidad de que un fumador sea hombre se definen los siguientes eventos:
H es el evento de que la persona seleccionada sea hombre

M es el evento de que la persona seleccionada sea mujer (Hc)
F es el evento de que la persona seleccionada fume
La información proporcionada es la siguiente:
P(M)=.6, P(H)=.4, P(FIH)=.5 y P(FIM)=.3.
Utilizando la regla de la multiplicación se obtiene:
P(F∩H) = P(FIH)P(H) = (.4)(.5) = .20
P(F∩M) = P(FIM)P(M) = (.6)(.3) = .18
Y por la propiedad 4, P(F)= P(F∩H)+P(F∩M) = .20+.18= .38
Entonces:
𝑃 (𝐻 ∩ 𝐹 ) 0.2
𝑃 (𝐻|𝐹 ) = = = 0.53
𝑃 (𝐹 ) 0.38

Arreglos y probabilidad condicional
En los experimentos sobre una misma población en los que se observan en forma simultánea dos
o más variables y se utiliza un arreglo para expresar las probabilidades, al considerar
probabilidades condicionales se puede observar que cuando se dice que el evento Ak ya ocurrió,
la fila que corresponde a este evento se convierte en el nuevo espacio muestral redistribuyéndose
las probabilidades dentro de dicha fila; de manera similar ocurre cuando se dice que el evento
Bk ya ocurrió, la columna que corresponde a este evento se convierte en el nuevo espacio muestral
redistribuyéndose las probabilidades dentro de dicha columna. En el siguiente arreglo se muestra
el primer caso descrito (cuando se dice que el evento Ak ya ocurrió):

UNIDAD I
Evento B1 ... Bn ∑𝐧𝐢=𝟏 𝐏(Ak|Bi)

A1
...
Ak P(B1|Ak)=P(Ak∩B1)/P(Ak) ... P(Bn|Ak)=P(Ak∩Bn)/P(Ak) 1
...
Ejemplo:
Considere una urna con dos pelotas rojas etiquetadas con los números 1 y 2 y dos pelotas negras
también etiquetadas con los números 1 y 2. Dos pelotas son seleccionadas secuencialmente de la
urna sin reemplazo. El espacio muestral Ω tiene 12 elementos siendo un espacio de probabilidad
uniforme, por lo que cada posible resultado tiene probabilidad 1/12.
A continuación se muestra el arreglo de probabilidades conjuntas y marginales para la primera

y segunda selección.
1a. selecc./2a. selecc. Roja 1 Roja 2 Negra 1 Negra 2

Roja 1 0 1/12 1/12 1/12 ¼
Roja 2 1/12 0 1/12 1/12 ¼
Negra 1 1/12 1/12 0 1/12 ¼
Negra 2 1/12 1/12 1/12 0 ¼
¼ ¼ ¼ ¼ 1
(Note que el efecto de que el experimento sea sin reemplazo origina ceros en la diagonal).
Sea A el evento de que en la primera selección se tome una bola roja con el número 1 y B el
evento de que en la segunda selección se tome una bola roja.
Para calcular la probabilidad de que ocurra el evento B dado que el evento A ocurrió, se tiene
que:
𝑃(𝐴 ∩ 𝐵) 1/12 1
𝑃 (𝐵|𝐴) = = =
𝑃 (𝐴 ) 1/4 3
Si se modifica el arreglo con el área sombreada representando lo que se sabe que ya ocurrió
(el evento A) con las probabilidades condicionales ya expresadas, coincide con el resultado.
1a. selecc./2a. selecc. Roja 1 Roja 2 Negra 1 Negra 2

Roja 1 0 1/3 1/3 1/3 1

6 NOTAS DE CURSO
Ejercicios:
1. Si dos eventos, A y B, son tales que P(A)=0.5, P(B)=0.3, y P(A∩B)=0.1, calcule P(A|B), P(B|A)
y P(A|A∪B).
2. Un punto es seleccionado al azar en el cuadrado unitario. Si se trata de un espacio de

probabilidad uniforme, calcule la probabilidad de que el punto seleccionado se encuentre en el
triángulo cuyos bordes son x=1, y=0 y x=y si se sabe que se encuentra en el triángulo cuyos
bordes son x=0, y=0 y x+y=1.
3. En un grupo de automovilistas se sabe que el 20% tiene un automóvil deportivo, 70% tienen
más de un automóvil y de éstos últimos, el 15% tienen un automóvil deportivo. Calcule la
probabilidad de que al seleccionar un automovilista al azar de esta población:
a) tenga un automóvil deportivo o tenga más de un automóvil.

b) solo tenga un automóvil y que éste no sea deportivo.
4. Se está estudiando la prevalencia de tres factores de riesgo de salud en una población de

mujeres denotados por A, B y C. Para cada uno de los factores, la probabilidad es de 0.1 de
que una mujer de la población tenga solo este riesgo (y no los otros). Para cualesquiera dos de
los tres factores, la probabilidad es de 0.12 de que una mujer tenga exactamente estos dos
factores (pero no el otro). La probabilidad de que la mujer tenga los tres factores de riesgo,
dado que tiene el A y el B es 1/3. Calcule la probabilidad de que una mujer no tenga ninguno
de los tres factores de riesgo dado que no tiene el A.
5. Un grupo grande de personas se examinará para ver si presentan dos síntomas comunes de
cierta enfermedad. Se piensa que 20% de las personas tienen sólo el síntoma A, 30% sólo el
síntoma B, 10% tienen ambos síntomas y el resto no tiene ningún síntoma. Para una persona
escogida al azar de este grupo, encuentre las siguientes probabilidades:
a) La persona tiene al menos un síntoma.

b) La persona no tiene ningún síntoma.
c) La persona tiene ambos síntomas, dado que tiene el síntoma B.

Eventos Independientes
Sean A y B dos eventos del espacio de probabilidad tales que P(A)>0 y P(B)>0.
Cuando se tiene que dada la ocurrencia de uno de ellos no cambia la probabilidad de ocurrencia
del otro, se dice que estos eventos son independientes. Es decir, A y B son independientes si se
cumple que:
P(A|B)= P(A) ó P(B|A)= P(B).
Que por la regla de multiplicación equivale a que se cumpla que: P(A∩B) = P(A)P(B)
Entonces para demostrar que dos eventos A y B cualesquiera son independientes basta demostrar
una de las tres siguientes propiedades:
i) P(A|B) = P(A)
ii) P(B|A) = P(B)
iii) P(A∩B) = P(A)P(B)
Si se tiene que dos eventos son independientes, también sus complementos son independientes ya
que:
P(Ac∩Bc) = P(Ac)+P(Bc)-P(AcUBc) = 1-P(A)+1-P(B)-P[(A∩B)C] = 2-P(A)-P(B)-1+P(A∩B)

P(Ac∩Bc) = 1-P(A)-P(B)+P(A)P(B) = [1-P(A)] [1-P(B)] = P(Ac) P(Bc)
Ejemplos:
1. Dos estudiantes, A y B, están inscritos en un curso. El estudiante A asiste a las clases el 80% de
las veces y el estudiante B, al 60%. Si las ausencias de los dos estudiantes son independientes,
para calcular la probabilidad de que al menos uno de los dos estudiantes esté en clase en un día
específico se definen los siguientes eventos:
A: el estudiante A asiste a la clase.

B: el estudiante B asiste a la clase.
De acuerdo con la información dada P(A)=0.8, P(B)=0.6 y P(A∩B)= P(A)P(B) =0.48
Entonces la probabilidad de que al menos uno de los dos estudiantes esté en clase en un día
específico se obtiene como:
P(AUB)=P(A)+P(B)-P(A∩B)= P(A)+P(B)-P(A)P(B)=0.8+0.6-0.48=0.92

UNIDAD I
2. Suponga que una partícula emitida por un material radiactivo tiene una probabilidad de 0.01
de penetrar cierto campo y que existe independencia entre el comportamiento de varias las
partículas.
Para calcular la probabilidad de que si se emiten diez partículas exactamente una de ellas
penetre el campo se tiene que:
P(A)=(10
1
)(.01)(. 999 ) = 0.091352
Para calcular cuántas partículas tienen que ser emitidas para que la probabilidad de que al
menos una partícula penetre en el campo sea 0.8, se procede como sigue:
𝑙𝑛(.2)
La probabilidad de que ninguna entre es P(Bc)= (. 99𝑛 ) = 0.2 => n= =160
𝑙𝑛(.99)
3. Sea Ω={1,2,3,4}. Suponga que se elige un elemento al azar, por lo que la probabilidad de
elegir cada punto es ¼. Si se definen los siguientes eventos A={1,2}, B={1,3} y C={1,4}, para
demostrar que estos eventos son independientes por pares se hallan las siguientes
probabilidades:
P(A) = P(B) = P(C) = 2/4

P(A∩B) = P(A∩C) = P(B∩C) = ¼
Como se cumple que P(A∩B) = P(A)P(B) , P(A∩C) = P(A)P(C) y P(B∩C) = P(B)P(C)
Se concluye que los tres eventos son independientes por pares.


Ejercicios
1. Sean A y B dos eventos mutuamente independientes. Demuestre que tanto A y Bc como Ac y B

son también mutuamente independientes.
2. Suponga que tres monedas perfectamente balanceadas se lanzan una vez. Sea Ai el evento
de que la i-ésima moneda caiga águila. Demuestre que los eventos A1, A2 y A3 son mutuamente
independientes.
3. La experiencia de un restaurante es que el 20% de las personas que reservan una mesa nunca
se presentan. Si el restaurante tiene 50 mesas y toma 52 reservaciones, calcule la
probabilidad de que todas las personas que lleguen alcancen mesa suponiendo
independencia entre las reservaciones.
2 NOTAS DE CURSO
4. Considere un juego de tiro al blanco formado por un círculo de radio 1 dividido en cuatro
zonas anulares cuyos bordes son los círculos concéntricos de radio ¼, ½, ¾ y 1.
a) Si se hace un disparo y se definen los eventos A: que caiga en la zona cuyos bordes son los
círculos de radio ¼ y ½, y B: que caiga en la zona cuyos bordes son los círculos de radio ¾ y 1.
¿Son A y B independientes? Justifique.
b) Si se hacen 3 disparos aleatorios e independientes y caen en el disco de radio ½, calcule la

probabilidad de que al menos uno caiga en el disco de radio ¼.

Teorema de la Probabilidad Total
Sean A1,..., An n eventos mutuamente disjuntos con unión Ω (partición de Ω) y B un evento arbitrario,
entonces:
𝑃 (𝐵) = 𝑃(𝐵|𝐴1 )𝑃(𝐴1 ) + ⋯ + 𝑃(𝐵|𝐴𝑛 )𝑃(𝐴𝑛 )
Demostración
Como A1,..., An son mutuamente disjuntos, Ai∩B también son disjuntos para i:1,n. Entonces
𝑃 (𝐵) = 𝑃[⋃𝑛𝑖=1(𝐴𝑖 ∩ 𝐵)] = ∑𝑛𝑖=1 𝑃(𝐴𝑖 ∩ 𝐵)
Y, por la regla de la multiplicación,
𝑃 (𝐵) = ∑𝑛𝑖=1 𝑃(𝐵|𝐴𝑖 )𝑃(𝐴𝑖 )
Corolario
Si P(A) y P(Ac)>0, P(B)=P(BIA)P(A)+P(BIAc)P(Ac)
(Este resultado se demuestra a partir del teorema anterior tomando n=2)
Ejemplos:
1. Se lanza una moneda cargada de tal forma que la probabilidad de que el resultado sea
águila es 2/3. Si cae águila, se extrae aleatoriamente una canica de una urna que contiene dos
canicas rojas y tres verdes. Si cae sol, se extrae aleatoriamente una canica de una urna que
contiene dos canicas rojas y dos verdes. Para calcular cuál es la probabilidad de extraer una
canica roja se definen los siguientes eventos:
A1: La moneda cae águila.

A2: La moneda cae sol.
R: La canica extraída es roja.
V: La canica extraída es verde.
La información que se tiene es la siguiente:
P(A1)= 2/3, P(A2)= 1/3, P(R|A1)= 2/5 y P(R|A2)= 1/2.
Por la ley de la probabilidad total se obtiene la probabilidad deseada:
P(R) = P[⋃2i=1(Ai∩R)] = ∑2i=1 P(Ai∩R) = ∑2i=1 P(R|Ai)P(Ai) = (2/5)(2/3)+(1/2)(1/3) = 13/30

UNIDAD I
La probabilidad de extraer una canica verde se obtiene directamente como:
P(V) = 1-P(R) = 1-13/30 = 17/30
2. Algunos casos de historias clínicas indican que diferentes enfermedades producen síntomas
idénticos. Suponga que un conjunto particular de síntomas, denotado como S, se presenta sólo con
cualquiera de tres enfermedades, A, B o C. Suponga que la presentación simultánea de más de
una de estas enfermedades es imposible y que P(A)=0.01, P(B)=0.005, P(C)=0.02. Las
probabilidades de desarrollar el conjunto de síntomas S, dada cada una de estas enfermedades,
se sabe que son P(S|A)=0.90, P(S|B)=0.95, P(S|C)=0.75.
Suponiendo que se elige una persona al azar de la población, para obtener la probabilidad de
que la persona presente el conjunto de síntomas S, se utiliza la ley de la probabilidad total como
sigue:
𝑃 (𝑆) = 𝑃(𝑆|𝐴)𝑃(𝐴) + 𝑃(𝑆|𝐵)𝑃(𝐵) + 𝑃(𝑆|𝐶 )𝑃(𝐶 )

𝑃 (𝑆) = (0.90)(0.01) + (0.95)(0.005) + (0.75)(0.02) = 0.02875
𝑃 (𝑆 𝑐 ) = 1 − 𝑃(𝑆) = 0.97125 es la probabilidad de que no presente estos síntomas.
3. Las tiendas A, B y C tienen 50, 75 y 100 empleados, respectivamente, en la tienda A el 50

por ciento son mujeres, en la tienda B el 60 por ciento son mujeres y en la tienda C el 70 por
ciento son mujeres. Las renuncias son igualmente probables entre todos los empleados de las
tiendas, independientemente del sexo.
Se definen los siguientes eventos

A: El empleado es de la tienda A; P(A)=50/225=0.222222
B: El empleado es de la tienda B; P(B)=75/225=0.333333
C: El empleado es de la tienda C; P(C)=100/225=0.444444
M: El empleado es mujer
De acuerdo con la información proporcionada se tiene que:
P(M|A)=0.5 P(M|B)=0.6 P(M|C)=0.7
Si la probabilidad de que un empleado renuncie es del 15 por ciento, la probabilidad de que

un empleado sea mujer y renuncie está dado por:
P(M∩R)=((0.222222)(0.5)(0.15)+(0.333333)(0.6)(0.15)+(0.444444)(0.7)(0.15))=0.093333.

2 NOTAS DE CURSO
Diagrama del Árbol
Una manera esquemática de analizar este tipo de ejercicios es plantearlos a través de un

diagrama que parte de un punto que se divide en tantas ramas como elementos tenga la partición
𝐴1 ,…, 𝐴𝑛 del espacio muestral Ω asignándole a cada rama la probabilidad marginal P(𝐴𝑖 ).
Estas ramas se dividen a su vez en dos ramas secundarias, la primera representa el evento B
dado cada evento de la partición y, la segunda, el evento Bc dado cada evento de la partición;
a cada rama secundaria se le asigna la probabilidad condicional correspondiente P(𝐵|𝐴𝑖 ) y
P(𝐵𝑐 |𝐴𝑖 ) respectivamente. Si se multiplica la probabilidad de la rama principal por la de cada
rama secundaria se obtienen las probabilidades conjuntas P(𝐴𝑖 ∩ 𝐵) y P(𝐴𝑖 ∩ 𝐵𝑐 ).
A continuación se ilustra el diagrama descrito:
Ejercicios
1. En una empresa se tiene que de los programadores el 12% tienen el grado senior, el 67% tiene
el grado semi-senior y el 21% tienen el grado junior. Si se sabe que en el primer grupo, el 2% de los
códigos hechos tienen un error grave, en el segundo grupo un 10% de los códigos hechos tienen un error
grave y en el tercero un 27% de los códigos hechos tienen un error grave. ¿Cuál es la probabilidad de
que al seleccionar un código al azar hecho en la empresa, éste tenga un error grave?
2. El 30% de los usuarios de servicios de telecomunicaciones móviles corresponden al operador ML (Mas

amigo libre), el 20% corresponde al operador MA (Mas amigos) y el 50% son usuarios de la competencia.

UNIDAD I
El porcentaje de clientes del operador ML que utiliza tecnologías wap es del 10% mientras que para el
operador MA es del 15% y para el resto de competidores los usuarios de dicha tecnología corresponde
al 5%. ¿Cuál es la probabilidad de que los usuarios de servicios de telecomunicaciones móviles usen
tecnología wap?
3. En una compañía de cómputo todos los empleados deben saber programar por lo menos en
uno de los tres lenguajes JAVA, C o C++, aunque además sepan programar en otro lenguaje.
Calcule la probabilidad de que, al elegir un empleado al azar, sepa programar en otro lenguaje
que no sea JAVA, C o C++, si se conocen las siguientes probabilidades:
Que un empleado sepa programar en JAVA es 0.48

Que un empleado sepa programar en C es 0.43
Que un empleado sepa programar en C++ es 0.36
Que un empleado sepa programar en dos de lenguajes mencionados es 0.45, siendo igual la
probabilidad para cada par de lenguajes.
Que un empleado sepa programar en los tres lenguajes mencionados es 0.04
De los que saben programar en los tres lenguajes, la mitad también programa en otro.
De los que saben programar en los dos lenguajes, la tercera parte programa en otro.
De los que solo saben programar en JAVA, 5 también programa en otro.
De los que solo saben programar en C, 6 también programa en otro.
De los que solo saben programar en C++, 3 también programa en otro.
4. Al darle mantenimiento a un software por actualización del sistema operativo donde se corre
tenemos que: El módulo Fórmulas tiene el 23% de las sentencias del programa de las cuales el
89% necesitan ser actualizadas; el módulo Organización tiene el 35% de las sentencias del
programa de las cuales el 22% necesitan ser actualizadas; el módulo Sistema tiene el 42% de
las sentencias del programa de las cuales el 15% necesitan ser actualizadas. ¿Cuál es el
porcentaje de sentencias total que necesitan ser actualizadas?
Teorema de Bayes
Sean A1,..., An n eventos mutuamente disjuntos con unión Ω (partición de Ω) y sea B un evento tal
que P(B)>0, para los cuales P(BIAk) y P(Ak) son conocidas para 1≤k≤n.
Entonces:
𝑃(𝐴𝑖 ∩ 𝐵) 𝑃(𝐵|𝐴𝑖 )𝑃(𝐴𝑖 )
𝑃 (𝐴𝑖 |𝐵) = = 𝑛
𝑃 (𝐵 ) ∑𝑖=1 𝑃(𝐵|𝐴𝐾 )𝑃(𝐴𝐾 )
Demostración
Es inmediata a partir de la regla de la multiplicación y de la ley de la probabilidad total.
Una interpretación de este resultado es que, si los eventos Ak son las posibles causas del evento
B, P(AiIB) es la probabilidad de que el evento Ai sea la causa de que B haya ocurrido.
4 NOTAS DE CURSO
Ejemplos:
1. Considere el ejemplo anterior que se refiere al lanzamiento de una moneda y la elección de

una canica de una urna. Ahora la probabilidad que se pide es la de que haya caído águila si se
sabe que se extrajo una canica verde.
La información que se tiene es:
P(A1)= 2/3, P(A2)= 1/3, P(V|A1)= 3/5 y P(V|A2)= 1/2.
Entonces, utilizando el teorema de Bayes:

3 2
𝑃(𝑉|𝐴1 )𝑃(𝐴1 ) ( )( )
𝑃 (𝐴1 |𝑉 ) = 2 = 5 3 = 0.705882
∑𝑖=1 𝑃(𝑉|𝐴𝐾 )𝑃(𝐴𝐾 ) (3) (2) (1) (1)
+
5 3 2 3
2. Suponga que se tienen tres cómodas con dos cajones cada una. La primera cómoda tiene una
moneda de oro en cada cajón, la segunda tiene una moneda de oro en un cajón y una de plata
en el otro, la tercera cómoda tiene una moneda de plata en cada cajón. Si se elige una cómoda
al azar (siendo las tres igualmente probables de elegir) y se abre un cajón también al azar
(siendo los dos igualmente probables), y resulta que este cajón contiene una moneda de oro, para
calcular la probabilidad de que el otro cajón también contenga una moneda de oro se definen
los siguientes eventos:
A1: Se elige la primera cómoda

A2: Se elige la segunda cómoda
A3: Se elige la tercera cómoda
Estos eventos son disjuntos y su unión es Ω. Como se tiene un espacio uniforme, P(Ai)=1/3.
Sea B: la moneda encontrada es de oro
Entonces: P(B|A1)=1
P(B|A2)=1/2
P(B|A3)=0
El supuesto de que el segundo cajón tenga una moneda de oro dado que se encontró una de oro
en el que ya se abrió solamente puede darse si se eligió la primera cómoda, es decir, P(A 1|B)
que se calcula utilizando el teorema de Bayes:
1
𝑃(𝐵|𝐴1 )𝑃(𝐴1 ) (1) ( ) 2
𝑃 (𝐴1 |𝐵) = 3 = 3 =
∑𝑖=1 𝑃(𝐵|𝐴𝐾 )𝑃(𝐴𝐾 ) (1) (1) + (1) (1) + (0) (1) 3
3 2 3 3

UNIDAD I
3. En una ciudad se ha observado que, del total de los automovilistas, 8% se encuentran entre las
edades 16-20, 15% se encuentran entre 21-30, 49% se encuentran entre 31-65 y 28% se
encuentran entre 66-99. En el primer grupo de edad, la probabilidad de tener un accidente es
del 8%, mientras que en el segundo grupo es del 3%, en el tercero es del 2% y en el cuarto es
del 4%. Si un automovilista seleccionado al azar tiene un accidente, para calcular la probabilidad
de que se encuentre entre las edades 16-20 se definen los siguientes eventos:
A1: El automovilista se encuentra ente las edades 16-20.

B: El automovilista tiene accidente.
De acuerdo con la información que se tiene
P(A1)=.08 P(A2)=.15 P(A3)=.49 P(A4)=.28

P(B|A1)=.08 P(B|A2)=.03 P(B|A3)=.02 P(B|A4)=.04
El diagrama de árbol queda como sigue:
6 NOTAS DE CURSO
Utilizando el teorema de Bayes se halla la probabilidad requerida:
𝑃(𝐵|𝐴1 )𝑃(𝐴1 ) (.08)(.08)

𝑃(𝐴1 |𝐵) = =
∑4𝑖=1 𝑃(𝐵|𝐴𝐾 )𝑃(𝐴𝐾 ) (.08)(.08) + (.03)(.15) + (.02)(.49) + (.04)(.28)
𝑃(𝐴1 |𝐵) = 0.200627


Ejercicios
1. Una armadora produce automóviles de tres modelos, austero, deportivo y de lujo. La

producción del modelo austero representa un 50% de la total, la del modelo deportivo
representa un 30% de la total y la de lujo, un 20% de la total. Si se sabe que el 8% de los
automóviles austeros salen defectuosos, el 5% de los automóviles deportivos salen defectuosos y
el 3% del los de lujo salen defectuosos. ¿Cuál es la probabilidad de que un automóvil tomado al
azar resulte que es deportivo si se sabe que está defectuoso?
2. En una universidad se observa que del total de egresados de Ingeniería en Software, 13% trabajan
como programadores, 37% trabajan como analistas, 30% trabajan desarrollando Apps y 20% dan
clases. En el primer grupo de ingenieros, la probabilidad de que tenga instalado Windows en el
ordenador es del 35%, en el segundo, es de 70%, en el tercero, es de 50% y en el cuarto, es de 40%.
Si un ingeniero seleccionado al azar tiene instalado Windows en el ordenador, cuál es la probabilidad
de que trabaje como analista.
3. Se sabe que el número de llegadas de usuarios a un sitio web es el mismo si se considera el

género del usuario, además se sabe que el 55% de las mujeres que visitan el sitio lo hace después
del mediodía, el 37.5% de los usuarios visita el sitio web antes del mediodía y de estos, el 40%
son hombres. ¿Cuál es la probabilidad de que un hombre llegue al sitio web por la tarde?
En equipos, plantear ejemplos mediante lluvia de ideas de aplicaciones en su área profesional

del teorema de Bayes y resolverlos utilizando arreglos y diagramas de árbol.

Unidad 1 Proba

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

Unidad 1 Proba

Cargado por

Copyright:

Formatos disponibles

CONCEPTOS BASICOS DE PROBABILDAD

UNIDAD I: CONCEPTOS BASICOS DE PROBABILIDAD

Los siguientes fenómenos se pueden considerar aleatorios:

 El número de placa que le toque a un automóvil.

L. A. Ma. Auxilio Chan García 1

Históricamente, algunos tratados de probabilidad aparecieron, al parecer, en Italia a finales del

En el transcurso del trabajo de Pascal, se desarrolló, de manera independiente, el cálculo

La definición clásica de probabilidad se aplicó con bastante éxito en problemas de juegos de

La interpretación de probabilidad de acuerdo a la frecuencia relativa la utilizaremos solamente

En la definición axiomática de la probabilidad no se establece la forma explícita de calcular las

ACTIVIDAD DE APRENDIZAJE No. 1

En equipos, recabar información sobre la definición de probabilidad en distintas fuentes de

1 Véase “Probability for risk management”.

El propósito de esta sección es desarrollar la estructura matemática formal llamada espacio de

1. En la concepción de un bebé, de acuerdo a su sexo se tienen dos posible resultados, entonces

5. Al considerar el orden en el que 10 alumnos llegan a clase, Ω consistiría en las permutaciones

L. A. Ma. Auxilio Chan García 3

ACTIVIDAD DE APRENDIZAJE No. 2

En equipos, proporcionar mediante lluvia de ideas tres ejemplos de experimentos aleatorios y

Además se tiene que como A∩Ac= Ø y AUAc= Ω, entonces Ø y Ω están en A.

Si Ω es un espacio muestral discreto finito, se define el conjunto potencia o clase potencia de Ω

En los ejemplos anteriores, la clase potencia se define como sigue:

1. A =2Ω = { Ø, Ω, {H}, {M}}

2. A =2Ω = { Ø, Ω, {(1,1)}, …, {(6,6)},

4. A =2Ω={ Ø, Ω, {aprueba}, {reprueba}}

Una colección no vacía de subconjuntos A de un conjunto Ω se llama una -álgebra de

{Ω,Ø} es una-álgebra de subconjuntos de Ω y recibe el nombre de -álgebra trivial y es la -

Si se definen las siguientes clases:

El conjunto { Ø, Ω, {1},{3},{1,3},{2,4,5},{2,3,4,5},{1,2,4,5}} es una -álgebra.

L. A. Ma. Auxilio Chan García 5

Los elementos de una -álgebra reciben el nombre de eventos.

Es decir, un evento es un subconjunto A en A y, por lo tanto, es un subconjunto del espacio muestral

Un evento elemental Ei es un evento que tiene un solo elemento de Ω, Ei = {i}.

Si Ω es un espacio muestral y A un subconjunto de Ω, el enunciado “el evento A ocurre” significa

El evento A1UA2 ocurre si y sólo si ocurre A1 o A2.

El evento A1∩A2 ocurre si y sólo si ocurre A1 y A2 ocurren al mismo tiempo.

Si A  B la ocurrencia de A implica la ocurrencia de B.

1. Sean ={1,2,3} y A = {{1},{2,3},Ø,Ω}

El conjunto E1={1} es evento bajo la -álgebra A.

El conjunto E2={2} no es evento bajo esta -álgebra.

El evento E1 es elemental mientras que el evento A={2,3} no es elemental.

L. A. Ma. Auxilio Chan García 1

Si al realizar el experimento se obtiene como resultado 2, se dice que ocurrió el evento A.

2. En la observación del sexo de un bebé al nacer se tiene:

Evento A: el recién nacido es hombre = {H}

Evento seguro: el recién nacido es hombre o mujer = Ω

Evento imposible: el recién nacido es hombre y mujer = Ø

3. Al tirar dos dados, se observa la suma de los puntos de ambos dados.

Ω: {2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}

Se definen los siguientes eventos:

A: La suma de los dados es 6 = {6}

B: La suma es un número par = {2, 4, 6, 8, 10, 12}

C: La suma es un número non = {3, 5, 7, 9, 11}

A U B : La suma de los dados es 6 o es un número par = {2, 4, 6, 8, 10, 12}

A ∩ B : La suma de los dados es 6 y es un número par = {6}

4. Al medir los días que dura un transistor, Ω: {0, 1, 2, 3, …}

A = {{0, 1, 2, 3, 4, 5}, {6, 7, 8, …}, Ø, Ω}

El evento A: el transistor no dura más de 5 días = {0, 1, 2, 3, 4, 5}

El evento AC: el transistor dura más de 5 días = {6, 7, 8, …}

ACTIVIDAD DE APRENDIZAJE No. 3

a) ¿Cuál es el espacio muestral correspondiente a las comidas de las personas?

L. A. Ma. Auxilio Chan García 3

La medida de probabilidad y sus propiedades