PROBABILIDADES

Definiciones:
1. Experimento aleatorio () : es todo proceso que consiste en la realización de una prueba o
más pruebas, cuyo resultado en cada prueba depende del azar, por tanto, no se puede anti-
cipar.
2. Espacio Muestral ( ) : Conjunto de todos los posibles resultados de un experimento alea-
torio.
3. Evento ó Suceso (A): conjunto de uno o más resultados de un experimento. (es un subcon-
junto del espacio muestral), el vacío también se considera un evento.
4. Probabilidad: Medida de la posibilidad de que ocurra un evento (o suceso) en el futuro; solo
puede asumir un valor comprendido entre 0 y 1, inclusive el 0 y el 1.
P(  ) = 0 , P(  ) = 1 , 0  P(A)  1 A  
5.- Sean A, B,….,C dos eventos del espacio muestral  , entonces
A  B: Es el evento que ocurre si y sólo si ocurre A, ocurre B ó ocurre A y B a la vez.
A  B: Es el evento que ocurre si y sólo si ocurre A y B a la vez.
Ac : Es el evento que ocurre si y sólo si no ocurre A.
A  B C: Es el evento que ocurre si y sólo si ocurre al menos uno de los eventos
A, B,….,C.
A  B C: Es el evento que ocurre si y sólo si todos los eventos A, B,….,C ocurren a la
vez

PROBABILIDADES:
Asignación de probabilidad a un evento:
(i) En forma teórica:
La definición clásica se basa en el supuesto de que todos los resultados posibles de un expe-
rimento aleatorio son igualmente probables; es decir, cada uno de los elementos del espacio
muestral tiene la misma probabilidad de ocurrencia. Empleando el punto de vista clásico, la
probabilidad de que suceda un evento A se calcula así:

Número de resultados favorables n(A) Cardinal de A

P(A) = = =
Núemro total de resultados posibles n() Cardinal de 
P(  ) = 0 , P(  ) = 1

Ejemplo. Se lanza un dado y se observa el número que aparece en la cara superior

Entonces  = 1, 2,3, 4,5, 6
Sea A el evento ocurre un número impar, entonces A = 1,3,5
1
La probabilidad de la ocurrencia del evento A es
2
Nota:
En los experimentos que se consideran anteriormente:
1.- Es posible repetir cada experimento indefinidamente sin cambiar las condiciones

1
 2.- No se puede determinar cual será el resultado de un experimento pero se puede determi-
nar el espacio muestral.

(ii) En forma frecuencial:

LEY DE LOS GRANDES NÚMEROS:
En un experimento se determina el espacio muestral y se elige un evento cualquiera A, luego
se efectúa el experimento una cantidad de veces y se calcula
Número de veces que ocurre A
fA = a este número se le llama la frecuencia relativa del even-
Número de veces del experimento
to A.
A medida que el experimento se repite los resultados del experimento pueden ocurrir en for-
ma aleatoria, la frecuencia relativa de A cambia en forma aleatoria pero cuando el experimen-
to se repite un gran número de veces, aparece un modelo definido de regularidad la frecuen-
cia relativa de A tiende a un número fijo el cual es llamado la probabilidad de A, esto hace po-
sible la construcción de un modelo matemático para analizar el experimento.

Con respecto al ejemplo anterior:

Si lanzamos un dado una vez, registramos la ocurrencia del evento A y calculamos
Número de veces que ocurre A
f A(1) =
1
Si lanzamos un dado dos veces, registramos la ocurrencia del evento A y calculamos
Número de veces que ocurre A
f A(2) =
2
Si lanzamos un dado tres veces, registramos la ocurrencia del evento A y calculamos
Número de veces que ocurre A
f A(3) =
3
Y así sucesivamente, veremos que los números f A(1) , f A(2) , f A(3) ,..… son aleatorios pero a
partir de un número de veces bien grande que se realiza el experimento se cumple que la fre-
Número de veces que ocurre A
cuencia relativa del evento A f A = se acerca cada vez más a
Número de veces del experimento
n(A)
P(A) = la probabilidad de la ocurrencia del evento A, el cual es su valor límite.
n( )

EVENTOS MUTUAMENTE EXCLUYENTES: Dos eventos A y B son mutuamente excluyentes si

no pueden ocurrir en forma simultanea, esto implica que P(A  B )= 0
Observación: A y B son mutuamente excluyentes si A  B = 

Ejemplo: En el ejemplo de lanzar un dado y registrar el número obtenido

A : Es el evento sale un número impar
B : Sale un número par
A y B son dos eventos mutuamente excluyentes.

2
Propiedades:
1.- Si A y B son eventos cualesquiera
P(A  B) = P(A) + P(B) - P(A  B) A B

2.- Para tres eventos A , B y C

P(A  B  C) = P(A) + P(B) + P(C) - P(A  B) - P(A  C) - P(B  C) + P(A  B  C)

A B

3.- La Regla del complemento: Es la probabilidad de que no ocurra un evento A:

P(Ac) = 1 – P(A)

EVENTOS INDEPENDIENTES
Dos Eventos A y B de un espacio mismo espacio muestral asociado a un experimento E
se dice que son independientes si y sólo si
P(A  B) =P(A) P(B)
Esto quiere decir que los eventos A y B no están relacionados, por lo tanto la ocurrencia de uno
de ellos no influye en la ocurrencia del otro.

Ejemplo
Supongamos que se lanza un dado normal dos veces, definamos los sucesos A y B como sigue:
A : El primer resultado muestra un número par
B : El segundo resultado muestra un 5 ó un 6
A y B no están relacionados, entonces son independientes

18 12 18 12 1
P(A) = , P(B) = , P(A) P(B) =  =
36 36 36 36 6
6 1
P(A  B)= =
36 6
Se observa que P(A  B)= P(A) P(B)

DISTRIBUCIÓN DE PROBABILIDAD DISCRETA.

Una variable aleatoria es discreta si su valor se obtiene por simple conteo y normalmente estos
valores son enteros. Si una variable “X” puede tomar una serie de valores discretos
x1 , x2 , xk , con probabilidades P1 , P2 , Pk , tal que: P1 + P2 + + Pk = 1 entonces se ha

3
definido para “X” una distribución de probabilidad discreta, de la misma manera se puede asociar
una función de probabilidad Pi = f( xi ) i=1,2,….,k que asocie Xi una probabilidad Pi.

Ejemplo.-
Sea el siguiente experimento aleatorio:
Se enciende el motor de un carro y la probabilidad que funcione a 750 RPM sin apagarse es de
80%, si este experimento se realiza cuatro veces en las mismas condiciones y definimos la va-
riable aleatoria X : número de veces que funciona el motor ; determinar la función de probabili-
dad y realizar un diagrama de bloques.

Solución:

Los valores que pueden tomar X son:

0 Nunca funcionó bien el motor

1 De las cuatro pruebas, una sola vez funcionó el motor
2 De las cuatro pruebas, dos veces funcionó bien el motor
3 De las cuatro pruebas, tres veces funcionó bien el motor
4 En todas las pruebas funcionó bien el motor.
P( x =0) = C04  ( 0,8 )  ( 0,2 ) = 0,0016 = 0,16%
0 4

P( x =1) = C14  ( 0,8 )  ( 0,2 ) = 0,0256 = 2,56%

1 3

P( x =2) = C24  ( 0,8 )  ( 0,2 ) = 0,1536 = 15,36%

2 2

P( x =3) = C34  ( 0,8 )  ( 0,2 ) = 0,4096 = 40,96%

3 1

P( x = 4) = C44  ( 0,8 )  ( 0,2 ) = 0,4096 = 40,96%

4 0

Graficando:

4
 45 40,96 40,96
40
35
30
25
20
15,36
15
10
5 2,56
0,16
0
0 1 2 3 4

ESPERANZA MATEMÁTICA E(X)

Se define la esperanza matemática (o valor esperado) de una variable aleatoria “x” por:
k
E ( X ) =  X i P( xi )
i =1
Nota: Si se considera la probabilidad de Xi como una frecuencia relativa se tiene que E( x ) es el
valor promedio de “x”.
Ejemplo
En el problema anterior:
E ( X ) = (0)  0,16% + (1)  2,56% + (2)  15,36% + (3)  40,96% + (4)  40,96%
E ( X ) = 3,2

Observación: 3,2 es el 80% de 4

PROPIEDAD: E(a X + b) = a E(X) + b