PROBABILIDAD

CAPITULO – I

M. Sc. Hipólito Macalopú Inga.

  Un experimento es un proceso mediante
el cual se obtiene el resultado de una
1.EXPERIMENTOS observación. Un experimento puede ser
determinístico o aleatorio.
  Cuando el resultado de la observación es determinado en forma
Experimento precisa por las condiciones bajo las cuales se realiza el
experimento.
Determinístico:

 un experimento es aleatorio o no determinístico cuando los

resultados de la observación no se pueden predecir con exactitud
Experimento antes de realizar el experimento.
aleatorio: Ejemplo 1.2:
-Observar el tiempo de vida de una computadora.
-Elegir un representanta de un grupo de 50 personas.
-Lanzar un dado y ver el número que aparece en la cara superior.
  Es el conjunto de resultados posibles de un experimento aleatorio.
 Ω={w/w es un resultado particular simple de la realización de un
experimento aleatorio}
 Los resultados posibles de un experimento se llaman punto de
muestra.

ESPACIO Ejemplo 1.3:

MUESTRAL E1: lanzar un dado y observar el número que aparece en la cara
superior.
Ω={1, 2, 3, 4, 5,6}
E2: designar a un delegado de un grupo de 50 personas
Ω={A1, A2,… A50}
Dónde: Ai se presenta una persona: Pedro, Juan, etc.
  1.2.1. Espacio muestral discreto: si se tiene un
número finito o infinito numerable de
elementos.
Los espacios
muéstrales se
clasifican en:
 1.2.2. Espacio muestral continuo: cuando sus
elementos son todos los puntos de un
intervalo.
  Son subconjuntos de un espacio muestral (Ω).
En particular el espacio muestral (Ω) Y el
EVENTOS conjunto vacío (∅) son eventos. Al espacio
muestral (Ω) se le llama evento seguro y al
conjunto (∅) se le llama evento imposible.
  a) Evento simple: cuando contiene solamente
un punto de espacio muestral.

1.3.1. Tipo de
 b) Evento compuesto: cuando puede
eventos:
expresarse como en la unión de dos o más
eventos simples.
  Sea el experimento: lanzar una moneda dos veces. Determinar los siguientes
eventos:
 A1: ocurre cara en el primer lanzamiento.
 A2: ocurre sello en el segundo lanzamiento
 A3: ocurre por lo menos una cara.
 A4: ocurre lo mismo en ambos lanzamientos.
Solución:
Ejemplo 1.5:  E2: lanzar una moneda dos veces
Diagrama del árbol

C S
C

S
S

Ω = {(c, c), (c, s), (s, c), (s, s)}

Eventos:
A1 = {(c, c), (c, s)} A3 = {(c, s), (s, c), (c, c)}
A2 = {(c, s), (s, s)} A4 = {(c, c), (s, s)}
 Unión de eventos: A ∪ B:
 Sea A y B dos eventos cualesquiera definido sobre un mismo
espacio muestral, la unión de eventos es el evento que ocurre si A
ocurre o B ocurre o ambos ocurren.
Operaciones  Simbólicamente:
con eventos A ∪ B = {w є Ω/w є A v w є B}

Ω Ω

A B A B
Intersección de eventos: A ∩ B
 Sean A y B eventos cualesquiera definidos sobre un mismo espacio
muestral, la intersección de estos eventos es el evento que ocurre
si A y B ocurren simultáneamente.
 Simbólicamente:
A ∩ B = {w є Ω / w є A Λ w є B}

A∩B
Complemento de un evento: o

 Si A es un evento del espacio muestral, se llama complemento del

evento A al evento que ocurre si A no ocurre.
 
= {w є Ω / w ∄ A}
Diferencia de eventos: A - B
 Sean A y B dos eventos cualquiera definido sobre un mismo espacio
muestral, se llama a diferencia de los eventos A y B al evento formado
por los elementos que son favorables de A pero que no son favorables a
B.
 Simbólicamente:
A-B=A∩{w ∈ Ω / w ∈ A ∧ w ∄ B}

 

A-B=A∩ A-B=A ∩=A

Inclusión de eventos: A
 Dado dos eventos a y B definidos en un mismo espacio muestral, se dice
que el evento A esta contenido en B si siempre que ocurre A ocurre B.
 Simbólicamente:
A ⊂ B,si W ∈ A → W ∈ B

A⊂B
A=[2,4,6]
B=[1,3,5]
Eventos Mutuamente excluyentes y eventos colectivamente
exhaustivos
 a)Dos eventos A y B definidos en el espacio muestral se dice que
son mutuamente excluyentes si no pueden ocurrir juntos.

A B

A∩B=∅
 b)Una colección de eventos A1, A2,...., Ak definido sobre un
mismo espacio muestral. Se dice que son mutuamente
excluyentes si la ocurrencia de uno de ellos excluye la ocurrencia
de los otros, es decir:
  ∩=∅ ∀ i≠j ; i=1,2,….k
 c)Se dice que una colección de evento A1,A2,....,Ak, definido sobre
el mismo espacio muestral son colectivamente exhaustivos si la
unión de ellos es igual al espacio muestral.
∪∪… = =Ω ∀ i ; i=1,2,….k
  a)Ley conmutativa
A∪B=B∪A
A∩B=B∩A
 b)Ley asociativa
(A∪B)∪C=A∪(B∪C)
Propiedades (A∩B)∩C=A∩(B∩C)
de las  c)Ley distributiva
 
operaciones A∩(B∪C)=(A∩B)∪(A∩C)
A∪(B∩C)=(A∪B)∩(A∪C)
con eventos
 d)Complemento del complemento
=A
  e) Ω∪A=Ω
∅∪A=A
A∪=Ω
A∪A=A
 f) Ω∩A=A
∅∩A=∅
Propiedades
A∩= ∅
de las   A∩A=A
operaciones  g)Leyes de Morgan
con eventos (AUB=∩
 =∪

 
 h) A=(A∩B)∪(A∩)
 Regla 1:
 Si cualquiera de k eventos mutuamente excluyentes y
colectivamente exhaustivos puede ocurrir en cada uno de los n
ensayos, el número de resultados posibles es:
Técnicas de  
Conteo Ejemplo 1- 1
Si una moneda se arroja 10 veces, el número de resultados posibles es:
= 1024; Si un dado se lanza dos veces, el número de resultados
posibles es = 36.
 Regla 2
 Si hay eventos del primer intento, k2 eventos del segundo intento,...
y eventos del n-ésimo intento, entonces el número de resultados
posibles es:
() () ()... ( )
Técnicas de   Ejemplo 1- 2
Conteo Si una placa de un auto tiene 2 letras (sin la ñ) y cuatro dígitos, el
número total de resultados posibles sería entonces: (26)(26)(10)(10)
(10)(10) = 6 760 000.
Si un restaurante tuviera una cena completa con precio fijo que
consistiera en un aperitivo, entrada, bebida y postre, y tuviera la
opción de escoger entre 5 aperitivos, 10 entradas, tres bebidas y 6
postres, el número total de cenas posibles sería: (5) (10) (3) (6) = 900
Regla 3
 El número de formas en que n objetos pueden ordenarse es:
n! = n ( n-1) (n-2) ... (1)
Ejemplo 1- 3
Si un conjunto de 6 libros desean colocarse en un estante. ¿De cuántas
formas posibles pueden ordenarse?.
El número de formas posibles en que pueden ordenarse es de 6! = 6 x 5
x 4 x 3 x 2 x 1 = 720 formas
Regla 4
 Permutaciones: el número de modos de ordenar m objetos seleccionados
de n objetos es:
 P(n;m)=

Ejemplo 1- 4
Supóngase que hay ocho máquinas fotocopiadoras pero sólo tres espacios en el
piso del establecimiento donde se van instalar las máquinas. ¿De cuántas formas
diferentes pueden colocarse las ocho máquinas en los tres espacios disponibles?

Hay 8 posibilidades para el primer espacio, 7 para el segundo y 6 para el tercero.

Entonces sería: 8 (7) (6) = 336 permutaciones

También esto puede expresarse de forma matemática al decir que el número de

permutaciones de 8 en 3 es:

8P3 = permutaciones
Regla 5:
 Combinaciones: El número de modos de seleccionar m objetos de
n objetos, sin tomar en cuenta el orden, es igual a:
 C(n,m)=

Ejemplo 1- 5
Un estudiante tiene 7 libros que desearía acomodar en su maletín. Sin
embargo, sólo caben 4 libros. Sin importar el orden. ¿De cuantas
formas puede escoger los libros que puede llevar en el maletín?
Solución: cuando no importa el orden se utiliza la fórmula:

Formas posibles
PROBABILIDAD
Probabilidad es la posibilidad numérica de la ocurrencia de un
evento.
 1. Probabilidad Clásica o Apriori
 Llamada también probabilidad priori debido a que es posible
CLASIFICACION conocer el resultado con anterioridad, es decir, sin llevar a cabo el
DE experimento y solo basado en el razonamiento lógico. Se basa en
el supuesto de que cada elemento del espacio muestral tiene la
PROBABILIDAD   misma posibilidad de ser elegido.
Existen tres enfoques  Se calcula a través de:
para el estudio de la
probabilidad.
  Hallar la probabilidad de obtener cara en el lanzamiento de una
moneda.
 Solución:
 El espacio muestral será:

 Sea el evento A: obtener cara:

Ejemplo :  
 Luego:
  El cálculo de este tipo de probabilidad se basa en la repetición de
la ocurrencia de un evento al realizar una gran cantidad de
pruebas o experimentos.
 Se halla a través de:
2. Probabilidad
de Frecuencia  
Relativa

 La probabilidad de frecuencia relativa es llamada también

empírica o a posteriori debido a que se obtiene el resultado
después de llevar a cabo el experimento.
  Tras una encuesta realizada a 500 vendedores ambulantes de
Chiclayo cuadrada se encontró que 325 de ellos se dedicaban a
esta actividad porque habían sido despedidos de empresas
fabriles. Hallar la probabilidad de que al seleccionar
aleatoriamente a un vendedor ambulante, este haya sido
despedido de una empresa fabril.
Ejemplo :  Solución:
 
 Sea el evento A: Vendedor ambulante despedido.
 f: Número de veces en que ocurrió B = 325
 n: Número total de observaciones = 500
Luego:
  Es la probabilidad asignada bajo un criterio personal, basada en
cualquier tipo de evidencias disponible.
 Las probabilidades subjetivas se asignan a eventos que pueden
3. Probabilidad suceder solo una vez o muy pocas veces.
Subjetiva Ejemplo :
a) La probabilidad de que una mujer llegué a ser presidenta de PERU.
b) La probabilidad de que el elefante viva eternamente.
c) La probabilidad de que quiebre la Bolsa de Valores de New York.
 a. La probabilidad de un evento cualquiera es siempre positiva.

b. La probabilidad de un evento cierto o seguro es la probabilidad del espacio

muestral, que equivale a la unidad.

AXIOMAS DE  
PROBABILIDAD c. La probabilidad de la unión de una familia de eventos mutuamente
excluyentes es igual a la suma de las probabilidades de dichos eventos.

 
  De los axiomas de probabilidad resultan los siguientes teoremas.

La probabilidad de un evento toma valores entre cero y uno. Es decir:

TEOREMAS DE La probabilidad de un evento nulo o imposible es cero. Es decir:

LOS AXIOMAS
DE  

PROBABILIDAD La probabilidad del complemento de un evento está dada por:

Si el evento A es un subconjunto del evento B, entonces:

  Es utilizada cuando se desea conocer la probabilidad de ocurrencia
de un evento condicionado a la ocurrencia anterior de otro evento.
 Se calcula mediante la fórmula:
PROBABILIDAD
CONDICIONAL  
 El símbolo / se lee: DADO, SI y expresa condición.
 Donde:
 P (B/A): Probabilidad de que ocurra el evento B, dado que el
evento A ha ocurrido:
  En una comunidad se llevó a cabo una encuesta a 500 personas mayores
de 18 años, donde se halló lo siguiente: 300 se encontraba con empleo a
tiempo completo y 200 desempleados. Del total de desempleados, 140
eran padres de familia ¿Cuál es la probabilidad de que sea padre de
familia dado que se encuentra desempleado?
 Solución:
Describiendo los eventos.
Sean los eventos.
E: Personas mayores de 18 años de edad con empleo a tiempo completo.
Ejemplo : D: Personas mayores de 18 años desempleadas
  C: Personas mayores de 18 años de edad, que son padres de familia.
D ∩ C: Personas mayores de 18 años desempleadas y que son padres de
familia.
Nos pide:
  Se utiliza para calcular la probabilidad conjunta o simultanea de
dos o más eventos.

 Si los eventos A y B son dependientes,

Entonces la ocurrencia conjunta de los eventos es:
REGLAS DE
PROBABILIDAD  

 Si los eventos A, B y C son dependientes, entonces la ocurrencia

conjunta de los eventos es:
  En un estudio se encontró que la probabilidad de que se incremente el empleo en el
Asentamiento Humano “Pedro Ruiz” es de 0.35 de que se incremente el consumo
de artículos de primera necesidad es de 0.05 y de que se incremente el consumo de

Ejemplo : artículos de primera necesidad dado el incremento del empleo es de 0.10.

 ¿Cuál es la probabilidad de que se incremente el empleo y el consumo de artículos
de primera necesidad?
Eventos Probabilidades
   

A: Incremento del empleo

 Solución: Describiendo P(A) = 0.35
los datos según el problema.
B: Incrementos del consumo de artículos de P(B) = 0.05
 Sea: primera necesidad.
 
B/A: Incremento del consumo de artículos de
P(B/A) = 0.10
primera necesidad dado que se ha
incrementado el empleo.
 Luego:

 

 La probabilidad de que se incremente el empleo y el consumo de

artículos de primera necesidad es de 0.035.
  Se usa cuando se desea averiguar la probabilidad de que ocurra al
menos un evento.
Probabilidad
de la Suma
  De 200 trabajadores de una UNPRG, 80 se encuentran afiliados a la AFP
Integra 100 se encuentra afiliados a la AFP Horizonte y 20 aportan al
Sistema Nacional de Pensiones. Si se elige un trabajador al azar, calcular la
probabilidad de que se encuentre afiliado a la AFP Integra o AFP Horizonte.
Solución:
 Sean los eventos:
Ejemplo :  I: El trabajador está afiliado a la AFP Integra.
 H:
  El trabajador está afiliado a la AFP Horizonte.
 P: El trabajador está afiliado al Sistema Nacional de Pensiones.
 Si los eventos A y B son independientes:

 
  La probabilidad que una persona ahorre en el Banco de Crédito es 0.5,
la probabilidad de que ahorre en el Banco Continental es 0.4 y la
probabilidad de que ahorre en ambos banco es 0.3. Hallar la
probabilidad de que una persona ahorre en alguno de los bancos.
 Solución:
 Sean eventos:
 A: La persona ahorra en el Banco de Crédito.

Ejemplo:  B: La persona ahorra en el Banco Continental

  A ∩ B: La persona ahorra en ambos bancos.
 Además:

P (A)= 0.5

P (B) = 0.4

P (AB)= 0.3
Entonces :

 
 Si los eventos A, B y C son independientes, entonces:

 
  En la Universidad de Lima se publican tres revistas: A, B y C. El 30% de los
estudiantes lee A, el 20% lee B, el 15% lee C, el 12% lee A y B, el 9% A y C,
el 6% B y C finalmente 3% lee A, B y C. Se pide calcular el porcentaje de
estudiantes que lee al menos una de las revistas:

 Solución:

 Sean los eventos:

Ejemplo : A: El estudiante lee la revista A P (A)=0.30
 
B: El estudiante lee la revista B P (B) = 0.20

C: El estudiante lee la revista C P (C)= 0.15

El estudiante lee la revista A y B

El estudiante lee la revista

El estudiante lee la revista

El estudiante lee la revista

 Entonces:
 𝑃(𝐴∪𝐵∪𝐶)=𝑃(𝐴)+𝑃(𝐵)+𝑃(𝐶)−𝑃(𝐴∩𝐵)−𝑃(𝐴∩𝐶)−𝑃(𝐵∩𝐶)+𝑃(𝐴∩𝐵∩𝐶)
 𝑃(𝐴∪𝐵∪𝐶)=0.30+0.20+0.15−0.12−0.09−0.06+0.03=0.41 ⇒41%
 El 41% de las personas lee al menos una de las revistas.
  Tablas de Contingencia.- Es una tabla de doble entrada que
muestra la clasificación de eventos de los espacios muéstrales de
TABLA DE dos experimentos aleatorios.
 Tablas de probabilidad.- Son aquellas que se obtienen a través de
CONTINGENCIA las tablas de contingencia aplicando loa criterios dados.
Y TABLA DE La siguiente tabla N° 3 de probabilidades muestra las probabilidades
conjuntas y marginales para una tabla de contingencia de manera
PROBABILIDAD general:
 P(Bi) P(B1) P(B2) P(B3) ….. P(Bk) Total

P(Ai)

P(A1) P(A1B1) P(A1B2) P(A1B3) ….. P(A1Bk) P(A1)

P(A2) P(A2B1) P(A2B2) P(A2B3) ….. P(A2Bk) P(A2)

TABLA N° 03 . . . . ….. . .

. . . . ….. . .

. . . . ….. . .

P(Ar) P(ArB1) P(ArB2) P(ArB3) ….. P(ArBk) P(Ar)

Total P(B1) P(B2) P(B3) ….. P(Bk) 1

 TABLA N° 04
Distribución de trabajadores por categoría laboral según
sexo
  CATEGORIA LABORAL  

Ejemplo : Sexo Obrero (o) Empleado (E) Funcionario (FU) Total

La siguiente tabla N°
4| muestra la Masculino (M) 120 150 30 300

clasificación de los Femenino (F) 50 140 10 200

trabajadores de una TOTAL 170 290 40 500
empresa por categoría
laboral según sexo.
Si se elige un trabajador al azar, hallar la probabilidad de que:
a) Sea obrero.
b) Sea de sexo masculino y obrero
c) Sea empleado, si es de sexo masculino
d) Sea de sexo masculino, si es funcionario
e) Sea obrero O empleado

Solución:
Construyendo la tabla de probabilidades obtenemos los siguientes resultados .
 TABLA N° 05
Tabla de probabilidades de los trabajadores por categoría
laboral según sexo

  CATEGORIA LABORAL  
P(O) P(E) P(FU)
Sexo Total

P(M) 120/500=0.24 150/500=0.30 30/500=0.06 300/500=0.60

P(F) 50/500=0.10 140/500=0.28 10/500=0.08 200/500=0.40

TOTAL 170/500=0.34 290/500=0.58 40/500=0.08 500/500=0.10

 Entonces:

a) P(O) = 0.34
b)  
c)  
d)  
  Es un método que nos permite calcular la probabilidad de que un evento
que ya ocurrió sea resultante de alguna causa. Para entender el Teorema
de Bayes debemos estudiar.
 Partición de un Espacio Muestral: Se denomina partición del espacio
muestral Ω a una colección de k evento A1, A2,…, AK que sean
mutuamente excluyente y cuya unión es el espacio muestral, es decir,
tales que verifican las siguientes condiciones:

TEOREMA DE a) P (Ai) > 0, para cada i= 1, 2,..k.

BAYES b)   Ai Aj =

 Esquemáticamente:

A1 A2 … Ak

 
 Partición de Ω
 1.11.2. Probabilidad Total: Si k eventos A1, A2,…Ak, constituyen una

partición del espacio muestral , entonces para cualquier evento B en :

 
 =P(=0.34
Esquemáticamente:

           

    B    

           

    …      

  …

       
 

       
 

       
 

A1 A2 Ai Ak

Relación entre el evento B y la partición de Ω

 Teorema de Bayes: Si los k eventos A1, A2,…., Ak, constituyen una
partición del espacio muestral , entonces para cualquier evento B de tal
que P (B) > 0:

 , para cada i=1, 2,…, k.

 El
  Teorema de Bayes nos permite comparar la probabilidad previa (o a
priori) P (Ai) con la probabilidad posterior (o a posteriori) P (Ai/B). Esto es,
P (Ai/B) es la probabilidad de Ai corregida o modificada por la ocurrencia
del evento B.

 Si A es un evento en tal que 0 ≤ P(A) ≤ 1, entonces para un evento B en:

 Esquemáticamente:

Ejemplo :

Ejemplo:
Un ensamblador de computadoras usa partes que provienen de tres proveedores A1,
A2, A3. De 2000 partes recibidas 1000 provienen de A1, 600 de A2 y el resto de A3. De
expresiones pasadas el ensamblador sabe que las partes defectuosas que provienen
de A1, A2, A3 son respectivamente 3%, 4%, y 5%. Si se elige una computadora al azar:
a) ¿Cuál es la probabilidad de que contenga una parte defectuosa?
b) Y si contiene una parte defectuosa, ¿Cuál es la probabilidad de que hayas sido
proveído por A2?
  Solución:

 Sean los eventos:

 : Parte proviene del proveedor , i=1, 2, 3.

Solución:  B: Parte defectuosa

 
 Además:

 y
Esquemáticamente:
0.03
A1 B

0.5

0.3
A2 0.04 B

0.2
A3 0.05 B

Total P (B) = 0.037

 a) Aplicando la regla de probabilidad total se obtiene:

 
b) Aplicando el Teorema de Bayes se obtiene: