Matemática Avanzada para Ingenieros Mgt. Rina M.

Zamalloa Cornejo

PROBABILIDAD
INTRODUCCIÓN
Muchos de los eventos que ocurren en la vida diaria no pueden ser predichos con
exactitud desde antes por diversas razones, pues la mayoría de los hechos están influidos
por factores externos. Además, existen aquellos sucesos que están directamente influidos
por el azar, es decir, por procesos que no se está seguro de lo que va a ocurrir. Sin
embargo, la probabilidad nos permite acercarnos a esos sucesos y estudiarlos, ponderando
las posibilidades de su ocurrencia y proporcionando métodos para tales ponderaciones.
Precisamente, algunos de esos métodos proporcionados por la probabilidad nos llevan a
descubrir que algunos sucesos tienen una mayor o menor probabilidad de ocurrir que la
ponderación asignada a través del sentido común. Nuestros sentidos, la información
previa que poseemos, nuestras creencias o posturas, nuestras inclinaciones, son algunos
de los factores que intervienen para no permitirnos hacer ponderaciones reales y
sistemáticas. La probabilidad nos permitirá estudiar los eventos de una manera
sistemática y más cercana a la realidad, retribuyéndonos con información más precisa y
confiable y, por tanto, más útil para las disciplinas humanas.

EXPERIMENTOS ALEATORIOS, ESPACIO MUESTRAL Y EVENTOS

EXPERIMENTOS DETERMINÍSTICOS Y NO DETERMINISTICOS

En las ciencias experimentales el hombre busca modelos matemáticos adecuados
que le permiten simplificar y esquematizar los fenómenos observados y luego sacar
conclusiones
Los modelos como éste en que, fijadas las condiciones de la experiencia, hacen posible
predecir el resultado sin necesidad de realizarla se denominan determinísticos.
Se denomina entonces experimento determinístico a aquel que permite determinar
el resultado de un experimento cuando se conocen las condiciones en que se lo realiza.
Existen infinidad de fenómenos físicos, químicos o biológicos par los cuáles los
científicos han hallado modelos determinísticos adecuados, pero lamentablemente hay
otros fenómenos a los que, por su naturaleza, no se les puede adaptar un modelo
determinístico. Por ejemplo, si el experimento consiste en arrojar un dado y el resultado
es el número que sale, evidentemente no podemos hallar ningún modelo matemático para
predecir cual será el resultado.
Supongamos que repetimos muchas veces la experiencia. En el caso del gas ideal
si mantenemos las mismas condiciones iniciales de presión, temperatura y cantidad de
gas y repetimos la medición de presión, obtendremos siempre el mismo valor, salvo
pequeñas variaciones experimentales. Pero en el caso del dado, aunque mantengamos
constantes las condiciones de la experiencia, los resultados no serán iguales. Sin embargo,
en la experiencia del dado, si bien no podemos predecir el resultado, sabemos que será un
número del 1 al 6. Si además repetimos un gran número de veces la experiencia de tirar
el dado, podríamos observar que el número de veces que aparece cada resultado será igual
a 1/6 del total de tiradas.

1
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Entonces un experimento se dice no determinístico o aleatorio si no se puede

predecir qué resultado se va a obtener en una experiencia concreta, a pesar de conocer
los posibles resultados
Los experimentos aleatorios se caracterizan por:
a) Se conocen con anterioridad todos los posibles resultados.
b) No puede predecirse el resultado de una realización concreta.
c) El experimento puede repetirse bajo las mismas condiciones todas las veces que se
quiera.

Serán experimentos aleatorios, por ejemplo, los siguientes:

• Lanzar un dado y considerar el resultado obtenido
• Extraer una carta (o varias) de una baraja
• Lanzar dos dados y hallar la suma de cada una de las caras obtenidas
• Se lanza una moneda. Si sale cara se extrae de una urna U 1, con una determinada
composición de bolas de colores, una bola y si sale cruz de extrae de una urna U
2, con otra determinada composición de bolas de colores, una bola. A continuación
se considera el color de la bola extraido.

Los tres primeros son ejemplos de experimentos aleatorios simples y el último un

ejemplo de experimento aleatorio compuesto

ESPACIO MUESTRAL
Se llama espacio muestral o universo Ω al conjunto de todos los posibles
resultados del experimento.

EVENTO
Todo subconjunto del espacio muestral se llama evento y puede expresarse como
unión de eventos elementales. Cada uno de los resultados que no se puede descomponer
en otros más sencillos se llama evento elemental.

Los eventos se describen enumerando sus elementos (sucesos) o dando una

condición que los determina.
Existen 2 eventos especiales:
 El evento imposible Ø, que es aquel que nunca ocurre.
 El evento seguro, que es el espacio muestral Ω.

En el experimento aleatorio:
− 1 : Tirar el dado
El espacio muestral asociado a este experimento es:
1 = 1, 2,3, 4,5, 6

2
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

vemos que en este caso el espacio de resultados es un subconjunto de los números

naturales (N).
−  2 : Contar la cantidad de glóbulos rojos contenidos en un ml. de sangre.
 2 = 1, 2,3,........ = N (conjunto de números naturales)
−  3 : Lanzar dos dados (o un dado dos veces) y sumar la puntuación obtenida
3 = 2,3, 4,5, 6, 7,8,9,10,11,12
a partir de dicho espacio muestral podemos considerar distintos eventos:
A = {2, 4, 6, 8, 10, 12} = {´´obtener suma par´´}
B = {2, 5, 7, 11} = {´´obtener una suma que sea número primo´´}
C = {10, 11, 12} = {´´obtener una suma mayor o igual que 10´´}
D = {3, 6, 9, 12} = {´´obtener suma múltiplo de 3´´}
F = {2, 3} = {´´que la suma que sea 2 ó 3´´}
Ø = {´´obtener una suma mayor que 15´´} suceso imposible
E = {´´Obtener una suma mayor o igual que 2 y menor o igual que 12´´} suceso seguro
M = {7} = {´´Obtener un 7´´}
A veces, suele ser útil utilizar un gráfico como el de la figura para hallar el espacio
muestral de un determinado experimento aleatorio.
El diagrama de árbol de la figura corresponde al experimento aleatorio:
−  4 : Lanzar una moneda tres veces (o tres monedas) y considerar el resultado obtenido.
El espacio muestral se obtiene fácilmente sin más que ir recorriendo todas las ramas y es:

 4 = ccc, ccs, csc, css, scc, scs, ssc, sss

ÁLGEBRA DE EVENTOS
Se dice que el evento A se ha obtenido en una prueba del experimento aleatorio
cuando el resultado del experimento coincide con alguno de los elementos que forman A.
Se dice que el evento A está contenido en el evento B ( ) si siempre que se
verifique el evento A se verifica el evento B.
Se dice que dos eventos son iguales (A = B) si y , es decir, todo
suceso de uno de los dos conjuntos lo es también del otro.

3
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Dado un evento A, se define el evento complementario o contrario (A c) como el

formado por todos los sucesos que no sean de A, es decir .
Operaciones con eventos
Dados dos eventos A y B:
Se define el evento diferencia (A – B) como el formado por los sucesos que están en A
pero no en B o también puede expresarse como
Se define el evento unión ( ) como el evento formado por todos los sucesos de A
o de B.
Se define el evento intersección ( ) como el evento formado por todos los sucesos
que están en A y en B.
Dos sucesos A y B se dicen incompatibles si al verificarse uno de ellos no se puede
verificar el otro ( ).

PROPIEDADES

Unión Intersección
Asociativa: Asociativa

Conmutativa Conmutativa

Idempotente Idempotente

Distributivas:

Otras propiedades:
Leyes de D’Morgan:

TÉCNICAS DE CONTEO
En ocasiones el trabajo de enumerar los posibles sucesos que ocurren en una
situación dada se convierte en algo difícil de lograr o, simplemente, tedioso. El análisis
combinatorio, o cálculo combinatorio, permite enumerar tales casos o sucesos y así
obtener la probabilidad de eventos más complejos.
En el caso de que existan más de un suceso a observar, habría que contar el número
de veces que pueden ocurrir todos los sucesos que se desean observar, para ello se utiliza
el principio fundamental de conteo.

4
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Principio Fundamental de Conteo o Principio de multiplicación

En muchos problemas podemos establecer un espacio muestral equiprobable y
entonces el problema de calcular probabilidades se convierte en un problema de contar
de cuántas maneras se puede hacer algo.
Para empezar con algo sencillo, veamos este problema. Tengo tres progamas para
ver correo electrónico: Hot mail, Gmail y yahoo; además recibo dos tipos de mensajes:
de trabajo y personales. Ud. me sorprende viendo un mensaje y anota el tipo de programa
y el tipo de mensaje que estoy viendo. ¿Cuántos puntos tiene el espacio muestral?
Casi automáticamente hemos contestado que son 6. Si alguien no nos cree,
podemos escribirle cuales son.
Sin saberlo hemos estado haciendo uso de lo que se llama Principio Fundamental
del Conteo.

Definición
Si un suceso se puede presentar de n1 formas, y otro se puede presentar de n2
formas, entonces el número de formas en que ambos sucesos pueden presentarse en ese
orden es de n1·n2.
Ejemplos
1. Para hacer un código se van a usar 3 letras distintas y 4 dígitos distintos a cero.
¿Cuántos códigos diferentes se pueden hacer?
Consideramos elaborar uno de estos códigos como si hubiera siete huecos, los primeros
tres a llenar con letras, los otros cuatro con números. El primer hueco puede ser llenado
con cualquiera de las 27 letras con que contamos, pensemos que ya ha sido llenado. No
importa con cuál letra haya sido llenado, para el siguiente hueco tenemos de nuevo 27
letras que podemos usar; es decir que hay 27 2 formas diferentes de llenar los primeros
dos huecos. Esto que razonamos aquí es el contenido del principio fundamental.
Aplicándolo al resto de los huecos llegamos a que hay: 27 394 códigos distintos posibles.

2. El menú de un restaurante ofrece 3 platos calientes y 4 postres. ¿De cuántas maneras

se puede elegir un almuerzo de 1 plato caliente y 1 postre?
Podríamos hacer una lista de todas las posibilidades, pero será mucho más cómodo aplicar
el principio de la multiplicación:
Hay 3 maneras de elegir el plato caliente y para cada una de ellas hay 4 maneras de elegir
el postre. Por lo tanto, hay 3  4 = 12 comidas posibles.

Principio de adición
Definición
Si dos operaciones son mutuamente excluyentes (es decir, si solo una de ellas
puede ocurrir) y si la primera se puede hacer de n1 maneras diferentes y la segunda
operación se puede hacer de n2 maneras diferentes, entonces hay n1 + n2. maneras de
realizar la primera o la segunda operación.

5
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Ejemplo
Cinco empresas de transporte terrestre tienen servicio diario entre Lima y Cusco. Tres
empresas de aviación tienen vuelo diario entre Lima y Cusco. ¿ De cuántas maneras se
puede viajar de Cusco a Lima?
Hay 5+3 maneras de ir de Cusco a Lima en avión o en autobús.

En los problemas de conteo, la palabra "o" se traduce en suma.

Permutaciones
Definimos una permutación como un arreglo de todos o parte de un conjunto de
objetos.
Para determinar el número de permutaciones, partimos de una colección de n objetos
diferentes.
De ellos se van a seleccionar r (r puede ser igual o menor que n) y el orden en que
queden acomodados es importante. Esto quiere decir que dos acomodos en orden distinto
son contados como distintos. El número de estas permutaciones lo denotamos con nPr y
se calcula así:
n!
n Pr =
(n − r )!
cuando r es igual a n (es decir, cuando se trata de permutar todos los n objetos) la fórmula
se reduce a: Pn = n Pn = n!
Por ejemplo: Sea el conjunto A={a,b,c,d}, ¿cuántas ordenaciones sin repetición
se pueden obtener?
4 P4 = n ! = 4! = 24

Sea el mismo conjunto A={a,b,c,d}, ¿cuántas ordenaciones tomados de dos en

dos sin repetición se pueden obtener?
Lo que resulta es: ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc; son 12 en total
n! 4!
4 P2 = = = 12
(n − r )! ( 4 − 2 )!

Ejemplos
1. P10, 4 son las permutaciones de 10 elementos agrupándolos en subgrupos de 4
elementos:
10! 10  9  8  7  6  5  4  3  2 1
P10, 4 = = = 5,040
(10 − 4)! 6  5  4  3  2 1
Entonces podemos formar 5,040 subgrupos diferentes de 4 elementos a partir de los 10
elementos.

2. ¿Cuántas banderas diferentes, de tres franjas horizontales de igual ancho y de colores

distintos, pueden confeccionarse a partir de siete colores diferentes?
7!
P7 ,3 = = 210
4!

6
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

3. ¿Cuántos números de tres cifras distintas se pueden formar con las nueve cifras
significativas del sistema decimal?
Al tratarse de números el orden importa y además nos dice "cifras distintas" luego no
pueden repetirse:
P9,3 = 9  8  7 = 504
Por tanto, se pueden formar 504 números.

4. Con las letras de la palabra DISCO ¿Cuántas palabras distintas se pueden formar?
Evidentemente, al tratarse de palabras el orden importa. Y además n = m, es decir tenemos
que formar palabras de cinco letras con cinco elementos D, I, S, C, O que no están
repetidos.
P5 = 5!= 5  4  3  2 1 = 120
Por tanto, se pueden formar 120 palabras.

Permutaciones con repetición

En general, si se toman n1 de una primera forma, n2 objetos de una segunda
forma, …., nk objetos de una k-ésima forma de un total de n objetos; entonces la cantidad
de permutaciones u ordenaciones con repetición obtenidas son:
n!
n Pn1 , n 2 ,...,n k =
n1!n2!......nk !
k
donde: n =  ni
i=1

Ejemplos
1. Calcular las permutaciones de 10 elementos, en los que uno de ellos se repite en 2
ocasiones y otro se repite en 3 ocasiones:
10!
10
P2,3 = = 302400
2! 3!
Es decir, tendríamos 302400 formas diferentes de agrupar estos 10 elementos.

2. ¿Cuántos números de 6 cifras se pueden formar con los dígitos 1, 1, 1, 2, 2 y 3?

6!
= 60
3!2!

3. ¿De cuántas maneras distintas pueden colocarse en línea nueve bolas de las que 4 son
blancas, 3 amarillas y 2 azules?
El orden importa por ser de distinto color, pero hay bolas del mismo color (están
repetidas) y además n = k, es decir colocamos 9 bolas en línea y tenemos 9 bolas para
colocar:
9!
= 1260
4!3!2!

7
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Por tanto, tenemos 1260 modos de colocarlas.

Combinaciones
Una situación parecida a la de las permutaciones la presentan lo que llamamos
combinaciones. La situación es inicialmente igual, deseamos tomar de una colección de
n objetos distintos una subcolección de tamaño r. La diferencia está en que ahora no es
importante el orden en que se obtengan.
La fórmula que da el número de combinaciones de r objetos tomados de una
colección de n es:
n n!
n Cr =   =
 r  r !(n − r )!
Note que siempre este número va a ser menor que nPr ya que, como no interesa
el orden, va a haber menos combinaciones, ya que muchas nos van a resultar iguales.

Por ejemplo: Si tomamos el mismo conjunto A={a,b,c,d}, ¿cuántos subconjuntos

de 2 elementos cada uno se pueden obtener?
Haciéndolos se obtienen: {a,b}, {a,c}, {a,d}, {b,c}, {b,d}, {c,d}, son seis los
subconjuntos:
 4 n! 4!
4 C2 =   = = =6
 2  r !(n − r )! 2!( 4 − 2 )!

Ejemplos
1. Un alumno decide rendir tres de los cinco exámenes finales ¿De cuántas maneras
distintas puede elegir esas tres pruebas?
5!
C 5, 3 = = 10
3!2!
2. ¿Cuántas combinaciones de 6 aciertos existen en la lotería primitiva?
 49  49!
C 49, 6 =   = = 13,983,816
 6  6!(49 − 6)!
Es decir, que tendríamos que echar 13’983,816 apuestas de 6 números para tener la
seguridad al 100% de que íbamos a acertar.

3. ¿Cuántos grupos de 5 alumnos pueden formarse con los treinta alumnos de una clase?
(Un grupo es distinto de otro si se diferencia de otro por lo menos en un alumno)

No importa el orden (son grupos de alumnos). No puede haber dos alumnos iguales en un
grupo evidentemente, luego sin repetición.
 30  30! 30  29  28  27  26  25!
C30,5 =   = = = 142,506
 5  5!(30 − 5)! 5!25!
Por tanto, se pueden formar 142,506 grupos distintos.

8
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

EVENTOS MUTUAMENTE EXCLUYENTES

Cuando hablamos de varios eventos dentro del mismo experimento se pueden dar
varios casos. Si dos o más eventos no pueden ocurrir simultáneamente, se llaman eventos
mutuamente excluyentes, es decir, que la intersección de ambos eventos es vacía.
Sea A1, A2, ... , Ak una colección de eventos del espacio muestral  , se dice que
son mutuamente excluyentes si Ai  A j =  ,  i  j .
Por otro lado, en ocasiones un evento o más eventos dependen de otro evento
previo, es decir, un evento A ocurre dado que ocurrió un evento B. Si existe este tipo de
relación entre eventos se dice que son eventos dependientes o condicionados (el evento
A depende del evento B, o el resultado del evento A está condicionado al resultado del
evento B). Por otro lado, si no existe tal relación entre eventos se dice que son eventos
independientes. Los criterios de dependencia o de independencia se definirán más
adelante, en términos de probabilidad condicional.

EVENTOS COLECTIVAMENTE EXHAUSTIVOS

Sea A1 , A2 , ... , Ak una colección de eventos del espacio muestral  , se dice que
k
son colectivamente exhaustivos si Ai =  .
i =1

PROBABILIDAD
Jacob Bernoulli (1654 - 1705), Abraham de Moivre (1667 - 1754), el reverendo
Thomas Bayes (1702 - 1761) y Joseph Lagrange (1736 - 1813) desarrollaron fórmulas y
técnicas para el cálculo de la probabilidad. En el siglo XIX, Pierre Simón, marqués de
Laplace (1749 - 1827), unificó todas estas primeras ideas y compiló la primera teoría
general de la probabilidad.
La teoría de la probabilidad fue aplicada con éxito en las mesas de juego y, lo que
es más importante, en problemas sociales y económicos.
Muchos centros de aprendizaje estudiaron la probabilidad como una herramienta
para el entendimiento de los fenómenos sociales.
Existen tres maneras básicas y diferentes de definir la probabilidad. Estas tres
formas presentan planteamientos diferentes conceptualmente, pero con las mismas reglas
de probabilidad:
 Definición clásica.
 Definición por frecuencia relativa.
 Definición Axiomática.

DEFINICIÓN CLÁSICA O DEFINICIÓN DE LAPLACE

En el caso de que todos los eventos elementales del espacio muestral  sean
equiprobables, Laplace define la probabilidad del evento A como el cociente entre el

9
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

número de resultados (sucesos) favorables a que ocurra el evento A en el experimento y

el número de resultados (sucesos) posibles del experimento:
1
Si  = w1 , w2 ,...., wn  y P wi  = ,  i =1, 2,...., n
n
entonces:
numero de sucesos favorables a A n ( A)
P ( A) = =
numero de sucesos posibles n ()
La probabilidad clásica, a menudo, se le conoce como probabilidad a priori,
debido a que si utilizamos ejemplos previsibles como monedas no alteradas, dados no
cargados y mazos de barajas normales, entonces podemos establecer la respuesta de
antemano, sin necesidad de lanzar una moneda, un dado o tomar una carta. No tenemos
que efectuar experimentos para poder llegar a conclusiones.
Este planteamiento de la probabilidad tiene serios problemas cuando intentamos
aplicarlo a los problemas de toma de decisiones menos previsibles. El planteamiento
clásico supone un mundo que no existe, supone que no existen situaciones que son
bastante improbables pero que podemos concebir como reales. La probabilidad clásica
supone también una especie de simetría en el mundo.

PROPIEDADES
• La probabilidad de un evento cualquiera A está comprendida entre cero y uno:
0  P ( A) 1
• P(A) = 0 si A es un evento imposible, es decir P (  ) = 0
• P(A) = 1 si A es el evento seguro, es decir P ( A ) = P (  ) = 1
• Puesto que todos los elementos de  = w1 , w2 ,...., wn  son igualmente probables
n
1
y P wi  = ,  i =1, 2,...., n entonces P (  ) =  P wi  =1
n i =1

Un resultado de la propiedad anterior es la siguiente: si A y B son eventos

mutuamente excluyentes entonces:
• P(A  B) = P(A) + P(B)

• Si A  B entonces P ( A )  P ( B )

DEFINICIÓN FRECUENTISTA
En el siglo XIX, los estadísticos británicos, interesados en la fundamentación
teórica del cálculo del riesgo de pérdidas en las pólizas de seguros de vida y comerciales,
empezaron a recoger datos sobre nacimientos y defunciones. En la actualidad, a este
planteamiento se le llama frecuencia relativa de presentación de un evento y define la
probabilidad como:
Si un experimento bien definido se repite n veces (n grande); sea nA  n el
número de veces que el evento A ocurre en los n ensayos, entonces la frecuencia relativa

10
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

nA
de veces que ocurre el evento A , es la estimación de la probabilidad que ocurra el
n
evento A.
Por lo tanto, un experimento aleatorio se caracteriza porque repetido muchas veces
y en idénticas condiciones el cociente
numero de veces que aparece un resultado n
= A
numero de veces que se realiza el exp erimento n
tiende a un número finito que se llama probabilidad de dicho resultado.
nA
Es decir P ( A ) = hA = , siendo hA la frecuencia relativa del evento A.
n
Esta definición sería la más real, pero proporciona probabilidades aproximadas,
es decir, proporciona estimaciones y no valores reales, los resultados son a posteriori,
también presenta el inconveniente de tener que realizar el experimento un gran número
de veces.

PROPIEDADES
• 0  hA  1  A  entonces 0  PA  1
• hA  B = hA + hB si A  B =  entonces P(A  B) = P(A) + P(B)
• hA = 0  nA = n = 0 entonces P ( A ) = P (  ) = 0
• hA = 1  nA = n = 1 entonces P ( A ) = P (  ) = 1

DEFINICIÓN AXIOMÁTICA DE PROBABILIDAD (KOLMOGOROV)

Sea  el espacio muestral asociado al experimento  . La probabilidad es una
función P que asigna a cada evento A un número P(A) (es decir, una regla bien definida
por la que se asigna a cada evento un, y un solo un, número real) llamado la probabilidad
del evento A tal que cumpla los axiomas siguientes:
 Primer axioma - La probabilidad de un evento A es un número real entre 0 y 1:
0  P ( A )  1 para cada evento A en  .
 Segundo axioma - Ocurre un suceso de la muestra de todos los sucesos o espacio
de sucesos Ω con probabilidad 1: P (  ) = 1
 Tercer axioma – Para cualquier número finito A1 , A2 , ... , Ak de eventos
mutuamente excluyentes en Ω:
 k  k
P  Ai  =
 i =1 
 P A 
i =1
i

Consecuencias de los Axiomas

1. P ( A ' ) = P ( Ac ) = P ( A ) = 1 − P ( A )
2. P ( ) = 0
3. Dados dos sucesos tales que A  B entonces P ( A )  P ( B )

4. Si A y B son eventos mutuamente excluyentes entonces P ( A  B ) = P ( A ) + P ( B )

5. Si A y B son dos sucesos cualesquiera de Ω, entonces:

11
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

P ( A  B ) = P ( A) + P ( B ) − P ( A  B )

PROBABILIDAD CONDICIONADA
En el cálculo de las probabilidades de algunos eventos, el valor de dicha
probabilidad variará en función del conocimiento de determinadas informaciones
relativas a estos eventos. Veamos un ejemplo:
Si disponemos de una urna que contiene cuatro bolas numeradas del 1 al 4, extraemos
una bola y seguidamente la volvemos a introducir para realizar una segunda extracción,
la probabilidad de extraer, por ejemplo, la bola número 3 en la segunda extracción es la
misma que en la primera.
Si realizamos el mismo proceso sin reemplazar la bola extraída la probabilidad de
extraer, por ejemplo, la bola número 3 en la segunda extracción dependerá de la bola
extraída en primer lugar.
Sean A y B dos sucesos tal que P ( A )  0 , se llama probabilidad de B
condicionada a A: P(B/A), a la probabilidad de que ocurra B dado que ha sucedido A.
P ( A  B)
P ( B A) =
P ( A)
REGLA DE LA MULTIPLICACION
De la igualdad anterior se deduce:
P ( AB ) = P( B A ) = P( B/A ) · P( A )
La forma para tres eventos, A, B y C:
P ( ABC ) = P( A B C ) = P( A ) · P( B/A ) · P( C/A B)
Esta fórmula admite una generalización para un número cualquiera de sucesos.

PROBABILIDAD DE EVENTOS INDEPENDIENTES

El conocimiento de que ha ocurrido el evento A modifica, en algunas ocasiones,
la probabilidad de que ocurra el evento B, pero en otras no. Los eventos en los que,
conociendo que uno ha ocurrido, no se modifica la probabilidad del otro, decimos que
son independientes y, si se modifica, decimos que son dependientes entre sí.
Dos sucesos A y B se dice que son independientes cuando:
P ( A  B ) = P ( A) P ( B )
Como consecuencia tenemos:
Si dos sucesos A, B y C son independientes entre sí si la ocurrencia de uno de ellos no
modifica la probabilidad del otro, es decir:
• P ( B A) = P ( B ) ó P ( A B ) = P ( A)
• P ( A  B  C ) = P ( A) P ( B ) P (C )
• P ( A '  B ) = P ( A ') P ( B )
• P ( A  B ') = P ( A ) P ( B ')

12
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

• P ( A '  B ') = P ( A ') P ( B ')

Ejemplo
1. Pedro tiene 50 años y su probabilidad de llegar a los 68 años es 5/13, Anibal tiene 55
años y su probabilidad de vivir hasta los 73 años es 1/4. ¿Cuál es la probabilidad de que
al menos uno de ellos este vivo de aquí a 18 años?

TEOREMA DE LA PROBABILIDAD TOTAL

Sea A1 , A2 ,...., An una colección de eventos del espacio muestral  mutuamente
excluyentes dos a dos tales y colectivamente exhaustivos con P ( Ai )  0 , para cualquier
evento B en  se cumple:
n
P ( B) =  P( A ) P(B A )
i =1
i i

TEOREMA DE BAYES
Sea A1 , A2 ,...., AK una colección de eventos del espacio muestral  mutuamente
excluyentes dos a dos tales y colectivamente exhaustivos con P ( Ai )  0 , y sea el suceso
B entonces:
P ( Ai ) P ( B Ai )
P ( Ai B ) =
P ( B)

13
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

VARIABLE ALEATORIA
Dado el espacio muestral Ω asociado a un experimento  , una variable aleatoria
asociada a dicho experimento aleatorio es una función X que da un valor numérico a cada

suceso en Ω, es decir X :  → , cuyo dominio es el espacio muestral  y el rango

es un subconjunto de los números reales.
Se llama rango de una v.a. X y lo denotaremos RX , al conjunto de los valores reales
que ésta puede tomar, según la aplicación X. Dicho de otro modo, el rango de una v.a. es
el recorrido de la función por la que ésta queda definida:
RX =  x  /    : X ( ) = x
Las variables aleatorias surgen ante la necesidad de cuantificar los resultados de los
experimentos aleatorios para poder realizar un estudio matemático.
Consideremos el experimento aleatorio que consiste en lanzar tres monedas,
supongamos que a cada elemento de su espacio muestral
 4 = ccc, ccs, csc, css, scc, scs, ssc, sss le asignamos un número real, el correspondiente
al número de caras.

Las variables aleatorias pueden ser discretas (número de caras al lanzar 3 monedas)
o continuas (el peso de los alumnos de un centro de enseñanza). En las variables
aleatorias (al igual que en las variables estadísticas) vamos a definir las distintas medidas
de centralización y dispersión.

VARIABLE ALEATORIA DISCRETA

Una variable aleatoria es discreta si el conjunto de valores que toma es numerable
y el rango se representará por: Rx = .
Definimos la función de probabilidad, ley de probabilidad o distribución de
probabilidad de la variable aleatoria como la función: p(x) = P[X=x] = pi tal que:
• pi = p ( x ) = P  X = x   0  x  Rx y p ( x ) = P  X = x  = 0  x  Rx
•  p ( x ) =  P  X = x  =1
xRx xRx

14
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

La función de probabilidad para la variable número de caras al lanzar una moneda

tres veces, se observa en el siguiente gráfico:

Definimos la función de distribución acumulada (también llamada función de

distribución de probabilidades acumuladas) como la función:
x
F ( x) = P  X  x  =  P X = x .
i
j =1

Se llama esperanza matemática o media de una variable aleatoria discreta X a:

n
 = E ( X ) =  xi pi siendo xi los valores de la variable y pi las probabilidades
i =1

respectivas.

Se llama varianza de una variable aleatoria X al siguiente número:

n n
 2 = Var ( X ) = E ( X − E ( X ) )  =  ( xi − E ( X ) ) =  xi2 pi − ( E ( X ) )
2 2 2

  i =1 i =1

Se llama desviación típica o estándar a la raíz cuadrada de la varianza, es decir

 = Var ( X )

VARIABLE ALEATORIA CONTINUA

Se dice que una variable aleatoria es continua cuando toma valores en cualquier
punto de un intervalo (a,b) de la recta real. En este caso, el rango Rx es un intervalo o una
colección de intervalos.

15
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Se define la función de probabilidad o función de densidad de una variable

aleatoria continua X como una función y = f(x) que verifica:
• f ( x)  0 para todo punto en el que esté definida.
+
• El área encerrada bajo la curva y el eje vale 1, es decir 
−
f ( x) dx = 1 .

Para hallar la probabilidad de que X esté en un intervalo [a,b], calculamos el área

+
encerrada por la función P  a  X  b  =  f ( x) dx .
−

Se define la función de distribución de una variable aleatoria continua X como

la función definida en todo por el área encerrada por la función de densidad en el
x
intervalo ( −, x ) : F ( x) = p  X  x  =  f ( s) ds
−

Se sabe que P  X = a  = 0 para cualquier valor de a, se tiene que

P  X  a = P  X  a .
Se define la esperanza matemática o media de una variable aleatoria continua X
definida en todo como:
+
 ( X ) = E( X ) = x
−
f ( x)dx

Se define la varianza como:

+ +
 2 = Var ( X ) = E ( X − E ( X ) )  =  ( xi − E ( X ) ) f ( x) dx = x
2
f ( x) dx − E ( X ) 2
2 2
  − −

Se define la desviación estándar como la raíz cuadrada de la varianza, es decir

 = Var ( X ) .

DISTRIBUCIONES DE PROBABILIDAD

Recordemos inicialmente 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.

DISTRIBUCIÓN BINOMIAL
Surge un procedimiento conocido como ensayo de Bernoulli. Cuando en un solo
ensayo puede ocurrir solo uno de los dos resultados mutuamente excluyentes, como
éxito o fracaso, alivio o muerte, presencia o ausencia, macho o hembra, el experimento
se denomina ensayo Bernoulli.

16
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

Una secuencia de ensayos de Bernoulli forma un proceso de Bernoulli si se

cumplen las siguientes condiciones.
1. En cada ensayo ocurre uno de dos posibles resultados, mutuamente excluyentes. Uno
de los posibles resultados se denota arbitrariamente como un éxito y el otro como un
fracaso.
 = E , F 

2. La probabilidad de éxito es: P( E ) = p y permanece constante de un ensayo a otro, y

la probabilidad de fracaso, P( F ) =1 − p = q .
3. Los ensayos son independientes, es decir, el resultado de algún ensayo en particular
no es afectado por el resultado de cualquier otro ensayo.
A menudo nos interesa solo el número total de éxitos obtenidos en una sucesión
de n ensayos de Bernoulli, al margen del orden en que se presenten
X: N° de éxitos en la muestra
o
X: N° de éxitos en n ensayos de Bernoulli.
La distribución de probabilidad está dada por:
n
P  X = x  =   p x (1 − p )
n− x

 x
de aquí que el rango está dado por Rx = 0,1, 2,....., n

La media y varianza de la distribución Binomial está dado por:

E[X] = np Var[X] = np(1-p)

DISTRIBUCIÓN NORMAL
Es la distribución más importante de la estadística, la fórmula para esta
distribución fue publicada por Abraham de Movre (1666 –1754), también es conocida
como distribución de Gauss en reconocimiento a las contribuciones realizadas por Carl
Friedrich Gauss (1777-1855).
La función de densidad normal está dada por:
1  1  x −  2 
f ( x) = exp −    , -∞ < x < ∞
2   2    
Los parámetros de la distribución son la media μ y la desviación estándar σ. La
densidad normal alcanza su valor máximo en la media, la desviación estándar expresa la
concentración de la distribución alrededor del valor esperado.

Características de la distribución normal:

1. Es simétrica respecto a su media
2. Las medidas de tendencia central son iguales

17
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

3. El área total bajo la curva sobre los ejes de las x es una unidad de área, puesto que es
una distribución de probabilidad. Además, por ser simétrica, el 50% del área está a la
derecha de la perpendicular que se levanta sobre la media y el otro 50% a su izquierda.
4. Los parámetros μ y σ determinan la distribución, es decir para cada valor diferente de
μ y σ se específica una distribución normal diferente, por tal razón se habla de la
familia de la distribución normal.
5. La curva normal tiene la forma de campana, simétrica dependiendo de la desviación
estándar.

Existe una relación del porcentaje de población a la desviación estándar. En la

figura observamos por ejemplo que el área bajo la curva para  1 tiene un porcentaje de
68.26%,  2 = 95.46% y  3 = 99.73%

DISTRIBUCIÓN NORMAL ESTÁNDAR

Como la distribución normal podría tener una infinidad de valores posibles para
su media y desviación estándar, resulta imposible tabular el área asociada con cada una
de las curvas normales. En lugar de eso se tabula una sola curva en la que μ= 0 y σ = 1
(Z ~ N(0, 1)).
Esta distribución surge al realizar la siguiente transformación:
X −
Z=

La esperanza o media de esta variable es 0 y la desviación estándar es igual a 1.
Por lo tanto, al sustituir dicha variable en la función de densidad queda:
1  z 2  , -∞ < z < ∞
f ( z) = exp − 
2  2 

18
Matemática Avanzada para Ingenieros Mgt. Rina M. Zamalloa Cornejo

19