UNIDAD II

INTRODUCCION A LAS PROBABILIDADES

Frecuentemente se usa el término probabilidades para sugerir que existe duda o
incertidumbre sobre lo que ocurrió, o lo que ocurre u ocurrirá. La experiencia humana
demuestra que existe una serie de hechos, acontecimientos, experimentos cuyos
resultados no se pueden determinar anticipadamente, sin embargo, si es posible
definir, estimar o predecir el probable resultado. Podemos conocer el pasado, nunca el
futuro, pero existe un permanente interés por despejar las incertidumbres.
Las situaciones que implican incertidumbre varían desde simples juegos de azar,
como la ruleta, los dados, los naipes, la lotería, los tragamonedas etc. , a otros
experimentos y acontecimientos tan variados ,complejos e importantes dentro de las
ciencias médicas , ciencias sociales, la economía , la industria, los negocios, los
seguros , las inversiones, etc. Es de interés, predecir o estimar lo que sucederá en
ciertas circunstancias. Un empresario decide comercializar un producto si sabe que la
probabilidad de aceptación es alta. El aficionado de la carreras puede apostar contra
su caballo favorito si sabe que la probabilidad de que gane es muy pequeña. Los
inversionistas no deciden invertir en un país políticamente y económicamente
inestable, si saben que la probabilidad de obtener rendimientos futuros, es baja. Es
posible que ninguno de ellos sepa definir o medir la probabilidad, pero si encontrara
útil la idea de estimarla intuitivamente.
El propósito de este capítulo es ilustrar las formas en las que pueden medirse la
posibilidad o probabilidad de ocurrencia de eventos futuros. Al mejorar la habilidad
para juzgar la ocurrencia de eventos futuros, se puede minimizar el riesgo y la
especulación arriesgada relacionada con el proceso de toma de decisiones.
2.1. CONCEPTOS BASICOS.
2.1.1. Experimento.- Es un proceso mediante el cual se obtiene el resultado de una
observación; es cualquier ensayo u observación de un fenómeno, desde el
lanzamiento de una moneda, hasta la observación de un espacio estelar para contar
las estrellas. Un experimento puede ser determinístico o aleatorio.
a) Experimento Determinístico: Cuando el resultado de la observación es
determinado en forma precisa por las condiciones bajo las cuales se realiza el
experimento. Ejemplo: lanzar una pelota en un tanque de agua y ver si flota o se
hunde , soltar una piedra en el aire, observar la suma de dos números naturales pares.
Se dice que un experimento no es aleatorio o se le llama determinista cuando se
puede predecir su resultado con exactitud
b) Experimento Aleatorio (ε).- Es un experimento en que los fenómenos, pueden o
no ocurrir y que presentan las siguientes características:
Es posible repetir cada experimento indefinidamente sin cambiar esencialmente las
condiciones. Podemos describir el conjunto de todos los resultados posibles del
experimento. A medida que el experimento se repite los resultados individuales
parecen ocurrir en forma caprichosa. Sin embargo, como el experimento se repite un
gran número de veces aparece un modelo definido de regularidad, esta regularidad
hace posible la construcción de un modelo matemático preciso con el cual analizamos
el experimento. Son ejemplos de experimentos aleatorios: ε1: Lanzar una moneda
normal se puede obtener sello o cara; ε2: lanzar un dado que no esté cargado se
puede obtener los resultados: 1,2,3,4,5,6, pero no se puede predecir cual resultado se
obtendrá; ε3:observar el número de accidentes en una carretera durante un mes. 0,
1 , 2 3 accidentes
Se dice que un experimento no es aleatorio o se le llama determinista cuando se
puede predecir su resultado con exactitud
2.1.2. Espacio Muestral.- Es el conjunto de posibles resultados de un experimento, se
denota por (W) = ( w/w es un resultado particular simple de la realización de un
experimento aleatorio ). Los resultados posibles de un experimento se llaman puntos
de muestra.
Ejemplo: ε = Lanzar un dado y observar el número que aparece en la cara superior.
W = (1, 2, 3, 4, 5,6), es el espacio muestral asociado a este experimento. Los espacios
muestrales se clasifican en :
a) Espacio Muestral discreto: Si se tiene un número finito o infinito numerable de
elementos.
b) Espacio Muestral Continuo: Cuando sus elementos son todos los puntos de un
intervalo.
2.1.3. Suceso o Evento.- se denotan por las primeras letras del alfabeto (Ai) Son
subconjuntos de un espacio muestral (W). En particular al espacio muestral (W) y el
conjunto vacío ( Ø ) son eventos al espacio muestral (W) se le llama suceso o
evento seguro, y al conjunto ( Ø ) , se le llama suceso o evento imposible.
Ejemplo: Sea el experimento: lanzar una moneda una sola vez. Determine los
siguientes eventos:
A1: Que salga cara en el primer lanzamiento.
A2 : Que salga sello en el primer lanzamiento.

Solución:
ε = Lanzar una moneda una sola vez.
Diagrama del árbol
C
S
W = (C, S)
A1 = (C)
A 2 = (S)
Ejemplo 2: lanzar una moneda y observar la parte superior.
El espacio muestral asociado a este experimento es : W = {C,S}
Ejemplo 3: Sea el experimento aleatorio: ε: lanzar una moneda tres veces.
W = {CCC, CCS, CSC, SCC, CSS, SCS, SSC, SSS}
Los sucesos pueden ser:
A: ocurra exactamente dos caras; A= {CCS, CSC, SCC}
B: igual resultado en los lanzamientos; B= {CCC, SSS}
2.1.4. Operaciones con Eventos
1) A está contenido en B ó A es un sub evento de B.
Si A Ì B
2) Dos eventos A y B son iguales.
Si A Ì B y B Ì A
3) A È B = {W Î W ¤ W Î A ó W Î B} Si ocurre el suceso A o B ó ambos.
4) A Ç B = {W Î W ¤ WÎ A Ù W Î B} es decir A y B ocurren en forma simultánea.
5) A – B ={W Î W ¤ WÎ A Ù W Ï B}
6) A¢=Ac = W - A = {WÎ W ¤ W Ï A} Formado por todos los eventos que no pertenecen
a A.
Leyes Distributivas:
A Ç (B È C) = (A Ç B) È (A Ç C)
A È (B Ç C) = (A È B) Ç (A È C)
Leyes de Morgan: Sean los eventos A y B
(A Ç B)c = Ac È Bc
(A È B)c = Ac Ç Bc
Cálculo de probabilidades.- Es un instrumento de la estadística matemática. Se
podría definir como una teoría que nos sirve de modelo para la descripción y el análisis
de los fenómenos aleatorios o estadísticos.
2.2. TÉCNICAS DE CONTEO
Principio de multiplicación
Si un experimento aleatorio (u operación) ε1 ocurre de n1 formas y si para cada una de
estas, un experimento (u operación) ε2 ocurre de n2 formas, los dos experimentos
juntos ocurren de n1 n2 formas.
Ejemplo: una persona puede viajar de A a B de 5 formas y de B a C de 6 formas. ¿De
cuántas formas puede ir de A a C pasando por B? 5 x 6 = 30 formas
Principio de adición.-
Si un experimento (u operación) ε1 puede ocurrir de n1 formas y un segundo
experimento (u operación) ε2 de n2 formas entonces el experimento (u operación) ε3
que consiste en realizar ε1 ° ε2 ( ° exclusión) es decir ε1 y ε2 no pueden ocurrir juntas,
ocurre de n1 + n2 formas.
Ejemplo: una persona puede viajar de Tacna a Cuzco por tres rutas. En autobús y por
2 rutas en avión en total puede viajar por 3 + 2 = 5 rutas.
2.2.1. Permutacion.
Factorial de un número: n!
n! = n (n–1) (n-2)...1
5! = 5 x 4 x 3 x 2 x 1= 120
0! = 1
Definición: una permutación es un arreglo de todos o parte de un conjunto de objetos.
Ejemplo. Sea A= {a,b,c} cuantas permutaciones pueden realizarse en los elementos
de A: abc, acb, bac, bca, cab, cba = 6 . Se puede llegar a la misma repuesta sin
escribir las ordenaciones posibles de la siguiente manera: los arreglos de los 3 objetos
es equivalente a disponerlos en 3 celdas. Así
3 2 1
Hay 3 formas posibles de llenar la primera celda con cualquiera de los 3 objetos a, b y
c para la 2da. Hay 2 formas posibles para la 3ra, hay 1 sola forma aplicando el
principio de multiplicación da un total de: 3 x 2 x 1= formas.
El nº de permutaciones de n objetos diferentes es Pnn = nPn = n!
El nº de permutaciones de n objetos diferentes tomados r a n es:
n!
Pn = nPr = ( n−r )! donde r £ n
Ejemplo: un grupo está formado por 5 personas y desean forma una comisión
integrada por 3 personas ¿de cuantas maneras puede nombrarse esta comisión?

P35= 5P3 = 5! = 5x4x3 = 60

 (5 – 3) !
El número de permutaciones distintas de n objetos de los cuales n 1 son de una clase,
n2 de una segunda,…..nn de una n–ésima clase y todos los demás objetos de clase 1.
Se denota Pn1 n2 ...nn = n!
n1! n2! ... nn!
Ejemplo: En una plaza se desea colocar 10 banderas verdes, 8 rojas y 7 azules ¿Dé
cuántos maneras pueden colocarse las banderas según sus colores?
n1=10, n2=8, n3=7
Luego el número de permutaciones distinguibles es P2510, 8,7 = 25! = 21, 034,
600
10! 8! 7!
2.2.2. Combinación: En muchos casos nos interesa seleccionar r objetos de n sin
importar el orden, estos selecciones de llaman COMBINACIONES
Las combinaciones de n objetos diferentes tomados r a la vez son:
n!
C r
n = r !(n−r )!
Ejemplo: un estudiante tiene que contestar 8 de 10 preguntas en un examen ¿De
cuántas maneras puede el estudiante escoger las preguntas?
C8 10= 10! = 10! = 45 formas
8! (10 – 8)! 8! 2!

2.3. PROBABILIDAD: Probabilidad es la posibilidad numérica de la ocurrencia de un

evento.
2.3.1. Probabilidad Clásica: Llamada también probabilidad a priori debido a que es
posible conocer el resultado con anterioridad, es decir sin llevar a cabo el experimento
y solo basado en el razonamiento lógico. Se basa en el supuesto de que cada
elemento del espacio muestral tiene la misma posibilidad de ser elegido.
Sea Ω un espacio Muestral y A un suceso.

P(A) = n(A) = nº de casos favorables de ocurrencia del evento A

n(Ω) nº total de posibles resultados
E: lanzar un dado y mirar la cara superior ; Ω = ( 1,2,3,4,5,6)
A: Obtener un numero par = ( 2,4,6) ; P (A) = 3/6 = ½ = 0.5
B: obtener un numero mayor que 2 = ( 3,4,5,6 ) ; P (B) = 4/6 = 2/3 =0.66666
2.3.2. Definición Axiomática:
Una probabilidad (P) es una función que se asigna a cada evento un número P(A)
llamado Probabilidad de A tal que:
 P
AÌ W P(A)

La probabilidad del suceso A Ì W es el valor numérico P (A) de una función de

conjunto que satisface los siguientes axiomas:
1) P (A) ³ 0 para todo A ÎW
2) Sea A y B los sucesos tal que A ÇB =Æ entonces P(AUB) = P(A)+ P(B)
3) P(W)=1
Teoremas:
- P(Æ)=0
- Sean A y B dos cuentas cualquiera P (A È B) = P(A) + P(B) – P (AÇB)
- Para todo A y B Î W Þ P(A È B) £ P(A) + P(B)
- Si A y B y C son tres sucesos cualesquiera Þ P(A È B È C)=P(A)+P(B)+P(C)-
P(AÇB)-P(B Ç C)-P(A Ç C)+ P(A Ç B Ç C)
- Si A Ì B Þ P(A) £ P(B)
- Para todo suceso A Þ P(A) £ 1
Para todo suceso A, P(Ac) = 1 – P(A).
Se deja como ejercicio la demostración de estos teoremas
2.3.3. Probabilidad Condicional.
La probabilidad de un evento A dado que ha ocurrido un evento B denotado por
P(A/B) se define:
P (A / B) = P (A ∩B) / P (B), Si P (B) >0

Ejemplo: Se selecciona a un grupo de estudiantes de la UNJBG por sexo y

especialidad
Esp \ Sexo Varones Mujeres Total
Ciencias 47 28 75
Letras 22 48 70
Total 69 76 145

Si se escoge a un alumno al azar cual es la probabilidad de que sea varón dado que
se conoce que es de Ciencias:( 47/145) / ( 75/145 ) = 47/75
Regla de Multiplicación:
P (AÇB) = P (A/B). P (B)
= P (B/A). P(A)
2.3.4. Teorema de Probabilidad Total y el Teorema de Bayes: Antes de explicar
estos teoremas definimos lo que es una partición o sistema compuesto de
sucesos.
Partición de un espacio Muestral.

La colección A1, A2,...,An del W representa

una partición del W ,sí cumple:

1) P(Ai) > 0 , Para todo i =1 2 ... n

2) Los eventos A1, A2, ..., An son mutuamente excluyentes es decir Ai ÇAj=Æ Para
todo i ¹ j
3) A1 È A2 È... È An = W
2.3.4.1. Teorema de Probabilidad Total:
Si A1, A2, ..., An es una partición del W.entonces para cualquier evento B deW... se
cumple:

P(B) = ∑ P(Ai). P(B/Ai)

= P(A1) . P(B/A1) + P(A2) . P(B/A2) + … + P(An) . P(B/An)
= Σ P(Ai) P(B/Ai)
Demostración:
B = (A1∩B)U(A2∩B) U(A3∩B) U......... U(An∩B)
P(B) = P(A1∩B) U P(A2∩B) U P(A3∩B) U......... U P(An∩B)
= P(A1∩B) + P(A2∩B) + P(A3∩B) +......... + P(An∩B) , por ser eventos
ecluyentes
= P(Ai) P(B/Ai)+ P(A2) P(B/A2)+ P(A3) P(B/A3)+..........+ P(An) P(B/An)
P(B) = Σ P(Ai) P(B/Ai) , es la probabilidad total de un evento B contenido en un
espacio muestral particionado en n clases.
2.3.4.2. Teorema de Bayes: Si los eventos A1 A2 . . . An forman una partición del
espacio muestral.. y B es un evento cualquiera de entonces:
P[ Ai / B] = P[Ai] P[B/Ai]
∑P[Ai] . P[B/Ai]
Su demostración es inmediata, se deja como ejercicio.
Ejemplo: En una línea de producción (farmacéutica) Hay dos proceso A y B en el
proceso A hay un 20% de productos defectuosos y en B hay 25%. En una muestra de
300 productos hay 200 del proceso A y 100 del B.
a) Si se extrae un producto del azar. Hallar la probabilidad de que sea defectuoso.
b) Si al extraer el producto resulte defectuoso. Halle la probabilidad de que sea del
proceso A.
Solución:
Sean los eventos:
A1 = El producto es del proceso A
A2:= El producto es del proceso B
B = El producto es defectuoso
(B)‘ = El producto es no defectuoso
Por el teorema de probabilidad Total

a) P (B) = P (A1).P(B/ A1) + P(A2). P(B/ A2)

= 2/3(0.20) + 1/3(0.25) = 65/300

b) P(A1/B) = P(A1).P(B/A1) = (2/3)(0.20) = 0.615

P(B) 65/300

2.4. EVENTOS INDEPENDIENTES:

Los eventos A y B en W son independientes Si y solamente si se cumple las

siguientes condiciones:
P[AÇB] = P(A).P(B)
P[A/B] = P(A), sí P(B)>0
P[B/A] = P(B), si P(A)>0

En otro caso se dice que los eventos son DEPENDIENTES

Ejemplo: lanzar un dado y una moneda
A: sale cara en la moneda
B: en el dado sale 6
Verificar si A y B son independientes
Solucion : W={(C,1) (C,2) (C,3) (C,4) (C,5) (C,6) (S,1) (S,2) (S,3) (S,4) (S,5) (S,6)}
A={(C,1) (C,2) (C,3) (C,4) (C,5) (C,6)}
B= {(C,6) (S,6)} AÇB={(C,6)}
Luego: P[A Ç B]= 1
12

P(A) 6 = 1
12 2 ; P(A) . P(B) = 1 x 1 = 1
2 x6 12

P(B) 2 = 1
12 6 ; P [A.B]=P(A) . P(B)
lo que indica que dichos eventos son independientes.
2.5. VARIABLES ALEATORIAS
Ejemplo: Sea: lanzar una moneda 3 veces, el espacio muestral asociado a este
experimento es:
W={ccc, ccs, csc, scc, css, scs, ssc, sss}
Sea X=número de caras
X (ccc) = ? . Es como preguntar el número de caras que hay en este resultado?, la
repuesta es el número 3 , en forma similar, en los tres resultados siguientes
X (ccs) = X(csc) = X(scc) = 2
X (css) = X(scs) = X(ssc) = 1
X (sss) = 0
Es decir la función X , definida por X (w) = número de caras obtenidas de lanzar una
moneda 3 veces , es una función de valores reales RX ={0, 1, 2, 3}
X: W {0, 1, 2, 3} R
W ЄW → X(w) Є R

Definición: dado un experimento έ y W el espacio Muestral Asociado a έ, una

variable aleatoria es una función que asigna a cada elemento w del Ώ uno y
solamente un número real X(W) ЄR
Las variables aleatorias pueden ser: Discretas o Continuas, las variables aleatorias se
denotan por las letras: X, Y, Z

2.5.1. Función o Ley de Probabilidad:

Sea X una variable aleatoria discreta con Rango RX . Una función por:
f(X = xi) = P[X = xi] que satisface las siguientes condiciones:
1. f(x) ≥ 0 Para todo i = 1 2 ... n
 ∑ f (x )=1
x ∈R r
2.
Se llama función de probabilidad (también llamada “Función de cuantía”) en el caso
de que X es una variable aleatoria discreta.

La colección de pares [X, f(x)

∀ x ∈R x ]
Se llama “Distribución de Probabilidad”.
En el ejemplo 1:
έ: Lanzar una moneda 3 veces ; Ώ ={ccc, ccs, csc, scc, css, scs, ssc, sss},observe
que hay ocho posibles resultados de Ώ
x = nº de caras
Podemos calcular: P[ccc] = f(x=3) = 1
8
P[scc] = P[csc] = P[ccs] = f(x=2) = 3
8

P[scs] = P[ssc] = P[css] = f (x=1) = 3

8
P[sss] = f (x=0) = 1
8

Así tenemos: La Distribución de probabilidad

X P[X = x] = f(X=x)
0 1/8
1 3/8
2 3/8
3 1/8
∑f(x)=1

Si la variable aleatoria es continua es decir: Si Rx es un intervalo lo sobre la Recta de

números reales, la función de probabilidad en este caso recibe el nombre de “Función
de Densidad” y debe cumplir en este caso:

a) f.(x) ≥ 0 Para todo x Є R

b) ∫ f(x) dx=1
Rx

Ejemplo: Supongamos que deseamos calcular la probabilidad de que una variable

aleatoria X tome valores entre a y b, es decir en el intervalo [a, b]; queremos calcular:
 b

P [a £ x £ b] =
∫a f (x ) dx
Esta probabilidad equivale a un área bajo la curva f(x)
2.5.2. Características de una variable aleatoria:
Las más usadas son:
1) El valor esperado o esperanza matemática. : E (X)
2) La varianza :V(X)

Valor Esperado: Sea X una variable aleatoria con rango Rx y función de probabilidad
f(x) el valor esperado o esperanza matemática de x se denota por : E[x] y se define

∑x f(x) (Caso Discreto)

Rx

E[x] =
∫x f(x) dx (Caso Continuo)
Rx

Ejemplo 1 : Hallar E[x] de la variable aleatoria X con distribución de probabilidad.

X 0 1 2 3
f(x) 0.125 0.375 0.375 0.125

E[x] = 0(0.125)+1(0.375)+2(0.375)+3(0.125)=1.5

Ejemplo 2: Sea x una variable aleatoria cuya función de densidad es:

f(x) = ¾ x(2-x) , 0£x£2
0 . en otro caso

Calcular E[x] = m

m = E[x] =
∫0
2 2
xf ( x)dx ∫0 x∗3/ 4 x(2−x)dx
= = 3/4
[∫0
2 x 2 dx−∫0 x3 dx ]
2 2

= 3/4
[ 2
x3 2 x 4 2
−
30 40 ] [
= 3/4
8 1
2 (( )−0)− (16−0)
3 4 ] =1
Varianza y Desviación estándar de una variable aleatoria
VAR (x)=s σ2 = E[‫׀‬x- E(x) 2‫ = ]׀‬E[x2] – (E(x))2
Desviación estándar: σ = √ V(X)
Así en el ejemplo 1 : V(X) = 0²(0.125)+1²(0.375)+2²(0.375)+3²(0.125)- (1.5) ²= 0.75
Y la desviación estándar es : √ 0.75 = 0,86
Ejemplo: Calcular la varianza y la desviación estándar, con la f(x) del ejemplo 2
VAR (x)=s σ2 = E [‫׀‬x- E(x) 2‫ = ]׀‬E[x2] – (E(x))2
2 2 3 3 2
∫0 x 2 f ( x )dx=∫0 x 2 4 x (2−x )dx = 4 ∫0 x 3(2−x )dx
Calculamos E [x2] =

=
4
[
3 2 3 2
]
4 40 50 4 [
3 x 4 2 x 5 2 3 16
4
1
] [
2 ∫0 x dx−∫0 x 4 dx = 2 − = 2( −0)− (32−0 )
5 ]
= 1,2
Pero sabemos que E (X) = 1, luego: VAR (x)=s σ2 = E [x2] – (E(x))2 = 1,2 – 1 = 0,2

Problemas Propuestos N² 2
1.-En una urna hay 15 bolas numeradas de 2 al 16. Extraemos una bola al azar y
observamos el número que tiene.
a) Describe los sucesos:
A = "Obtener par" B = "Obtener impar"
C = "Obtener primo" D = "Obtener impar menor que 9"
2.- Sean A y B los sucesos tales que:
P[A] = 0,4 P[A' Ç B] = 0,4 P[A Ç B] = 0,1 ; Calcula P[A È B] y P[B].
3.- Sean A y B dos sucesos de un espacio de probabilidad tales que:
P[A'] = 0,6 P[B] = 0,3 P[A' È B'] = 0,9
a) ¿Son independientes A y B?
b) Calcula P[A' / B].
4.- En un viaje organizado por Europa para 120 personas, 48 de los que van saben
hablar inglés, 36 saben hablar francés, y 12 de ellos hablan los dos idiomas.
Escogemos uno de los viajeros al azar.
a) ¿Cuál es la probabilidad de que hable alguno de los dos idiomas?
b) ¿Cuál es la probabilidad de que hable francés, sabiendo que habla inglés?
c) ¿Cuál es la probabilidad de que solo hable francés?
5.- En una clase de 30 alumnos hay 18 que han aprobado matemáticas, 16 que han
aprobado inglés y 6 que no han aprobado ninguna de las dos.
Elegimos al azar un alumno de esa clase:
a) ¿Cuál es la probabilidad de que haya aprobado inglés y matemáticas?
b) Sabiendo que ha aprobado matemáticas, ¿cuál es la probabilidad de que haya
aprobado inglés?
c) ¿Son independientes los sucesos "Aprobar matemáticas" y "Aprobar inglés"?
6.-Para cada una de las siguientes funciones determine la constante C para que f(x)
sea una función de probabilidad de una variable aleatoria x.
a) f(x) = Cx , x = 1, 2, 3, ..., 10
b) f(x) = C( 1/3 )x , x = 1, 2, 3, …
7.- La función de densidad de la variable aleatoria continua x está dado por:
f(x) = 1/5 para 2< x < 7
0 en cualquier otra parte

a) Demuestre que el área situada debajo de la curva (sobre el eje x) es igual a 1.

b) Determine P[3 < x < 5]
8.-Si la densidad de probabilidad de la variable aleatoria continua y está dado por:
f(x) = {1/8 (y+1) para 2< y < 4
0 o en cualquier otra parte

Determine: E[y] , V[y] y calcular: a)P [y<3.2] y b) P [2.9< y <3.2]