Cap 2

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera
Rafael Daz Pgina 2-1 15/10/03

CAPTULO 2
Probabilidad: Definiciones y Teoremas
Contenido del Captulo
2.1) INTRODUCCIN.
2.2) ESPACIO MUESTRAL DE UN EXPERIMENTO ALEATORIO.
2.3) EVENTOS.
2.4) DEFINICIONES DE PROBABILIDAD.
2.4.1) Definicin de Frecuencias Relativas.
2.4.2) Definicin Clsica.
2.4.3) Definicin Subjetiva.
2.5) AXIOMAS DE PROBABILIDAD.
2.5.1) Clculo de Probabilidades en un Espacio Muestral Discreto y Finito.
2.6) PROBABILIDAD CONDICIONAL.
2.7) PROBABILIDAD TOTAL.
2.8) TEOREMA DE BAYES.
2.9) EVENTOS INDEPENDIENTES.
2.10) EXPERIMENTOS COMPUESTOS.
2.11) PRUEBAS DE BERNOULLI.
2.12) PROBLEMAS PROPUESTOS.
APNDICE 2.1: RESUMEN DE TEORA DE CONJUNTOS.
APNDICE 2.2: RESUMEN DE TCNICAS DE CONTEO.
2.1) INTRODUCCIN.
El objeto de la investigacin cientfica es obtener informacin suficiente para poder
predecir el comportamiento del fenmeno que se est analizando. Esta prediccin se
realiza por medio de modelos. En la medida en que se tenga mayor y mejor
informacin el modelo tendr mayor validez.
El primer paso de la investigacin es conocer la naturaleza del fenmeno, es decir,
si el fenmeno es determinista o aleatorio.
Siempre y cuando se pueda repetir un experimento bajo las mismas condiciones y se
obtenga los mismos resultados se estar en presencia de un fenmeno de naturaleza
determinista. As, sern fenmenos deterministas los siguientes:
- El modelo matemtico de la ley de Ohm.
- Las leyes de Kepler.
- Las leyes gravitacionales de Newton.
Ahora bien, no siempre es posible repetir un experimento bajo las mismas
condiciones y, ms an, no siempre los resultados son los mismos. Esto es lo que
define un fenmeno de naturaleza aleatoria. La Figura 2.1 resume la naturaleza de
un experimento aleatorio y sus posibles resultados. En la seccin 1.2 se presentaron
diversos ejemplos de fenmenos o experimentos aleatorios de ndole general, a
continuacin se presentan algunos fenmenos ms especficos en reas de la
ingeniera.
- Demanda de energa elctrica de una ciudad.
- Terremotos.
- Cambios climticos.
- Especificaciones de piezas en una lnea de produccin.
- Transmisin de cdigos binarios en un sistema de comunicaciones.
- Cambios trmicos en un reactor qumico.
- Precios de las acciones de una compaa telefnica.
Figura 2.1: Experiencia Aleatoria y sus Protagonistas.
Formalmente, usaremos la siguiente definicin para un experimento aleatorio.
Definicin 2.1: Un experimento aleatorio es aquel en el cual no se puede
predecir el resultado del experimento antes de realizarlo.
En este captulo se desarrollaran las bases para estudiar estos fenmenos o

experimentos aleatorios. En los siguientes captulos se aprovechar ms a fondo el
aspecto matemtico asociado a estos fenmenos para profundizar y generalizar el
conocimiento probabilstico mediante la definicin del concepto de variable
aleatoria.
2.2) ESPACIO MUESTRAL DE UN EXPERIMENTO ALEATORIO.
Si bien no es posible predecir el resultado de un experimento aleatorio, siempre
debe ser posible conocer todos los resultados de ese experimento. Este hecho da pie
a la definicin de espacio de resultados o espacio muestral del experimento
aleatorio.
Definicin 2.2: El espacio muestral de un experimento aleatorio es el conjunto de
todos los posibles resultados de ese experimento.
Notas: - Al espacio muestral se le conocer con la notacin S. Esta es una

convencin bastante extendida que viene del trmino en ingls
Sample space.
- El espacio muestral es un conjunto. Particularmente, el conjunto
S es equivalente al conjunto universal U.
Dada la importancia que tiene la teora de conjuntos dentro de la teora de
probabilidades se ha dedicado el Apndice 2.1, al final de este captulo, para
recordar aquellos conceptos bsicos de inters asociados con conjuntos. Por tanto,
varias de las siguientes definiciones son una extensin de conceptos propios de la
teora de conjuntos a la teora de probabilidades.
Definicin 2.3: Un espacio muestral de un experimento aleatorio es discreto y
finito si el nmero total de resultados de ese experimento es un nmero finito.
Notas: - Como espacio muestral discreto los posibles resultados pueden

asociarse al conjunto de los nmeros enteros o a los naturales.
- Como espacio muestral finito el nmero de resultados es un
nmero natural menor que infinito.
Definicin 2.4: Un espacio muestral de un experimento aleatorio es discreto e
infinito numerable si el nmero total de resultados de ese experimento es un
nmero infinito pero se pueden ordenar en una sucesin.
Notas: - Como espacio muestral discreto los posibles resultados pueden

asociarse al conjunto de los nmeros enteros o a los naturales.
- Como espacio muestral infinito numerable el nmero de
resultados es infinito.
Definicin 2.5: Un espacio muestral de un experimento aleatorio es continuo si el
nmero total de resultados de ese experimento es un nmero infinito que no se
pueden ordenar en una sucesin.
Nota: - En un espacio muestral continuo los posibles resultados pueden

asociarse al conjunto de los nmeros reales o a un intervalo de
nmeros reales.
Ejemplo 2.1: En el experimento aleatorio de lanzar una moneda los posibles
resultados son cara y sello. Luego S ={cara, sello}. Este espacio muestral es discreto
y finito, tiene dos posibles resultados.
Ejemplo 2.2: Una generalizacin del experimento aleatorio de lanzar una moneda
es aquel donde existen slo dos posibles resultados: verdadero o falso, xito o
fracaso, defectuoso o no defectuoso, si o no, varn o hembra, etc. En este caso, el
espacio muestral es discreto y finito ya que tiene dos posibles resultados.
Ejemplo 2.3: En el experimento aleatorio de lanzar un dado los posibles resultados

son cada una de las seis caras del dado. Luego el espacio muestral podra escribirse
como
S ={Cara i / i = 1, 2, 3, 4, 5, 6}
Este espacio muestral es discreto y finito ya que tiene seis posibles resultados.
Ejemplo 2.4: Considere el experimento aleatorio de observar el nmero de

personas que entra a un banco durante un periodo de una hora. El espacio muestral
para este experimento puede escribirse como
S ={n / n = 1, 2, .,}
Este espacio muestral es discreto e infinito numerable.

Ejemplo 2.5: Considere el experimento aleatorio de lanzar dos dados donde el
resultado es el nmero de puntos en la cara superior de cada dado. Luego el espacio
muestral podra escribirse como el producto cartesiano del conjunto S del Ejemplo
2.3 con l mismo, es decir
S ={(i, j) / i, j = 1, 2, 3, 4, 5, 6}
Este espacio muestral es discreto y finito ya que tiene treinta y seis posibles
resultados. A diferencia de los anteriores, en este ejemplo el espacio muestral es
bidimensional.
Ejemplo 2.6: Considere el experimento aleatorio de medir el voltaje entre un cierto

punto y tierra en el circuito de un receptor de radio. Luego el espacio muestral
podra escribirse como
S ={v / 0 v v
MAX
}
Este espacio muestral es continuo ya que el voltaje puede tomar cualquier valor real
en el intervalo indicado.
Ejemplo 2.7: Considere el experimento aleatorio de lanzar la jabalina en una

competencia atltica. Luego el espacio muestral que corresponde a un lanzamiento
vlido podra escribirse como
S ={d / 0 d d
MAX
}
Este espacio muestral es continuo ya que la distancia puede tomar cualquier valor
real en el intervalo indicado.
Ejemplo 2.8: Considere el experimento aleatorio de escoger un nmero aleatorio

entre cero y uno en un computador. Luego el espacio muestral podra escribirse
como
S ={r / 0 r 1}
Este espacio muestral es continuo ya que el valor escogido puede ser cualquier valor
real en el intervalo indicado.

2.3) EVENTOS.
Una vez que se conoce el espacio muestral del experimento aleatorio se inicia un
proceso de separacin en grupos de los resultados que guarden cierta caracterstica
comn. Estos grupos de resultados son subconjuntos del espacio muestral y se les
asignar un nombre especfico: evento.
Definicin 2.6: Un evento es cualquier subconjunto dentro del espacio muestral.
Notas: - A los eventos se les conocer con la notacin de las primeras

letras del abecedario en mayscula como, por ejemplo, A, B, C.
- Un evento es un conjunto.
- Los elementos de un evento son resultados del experimento
aleatorio.
Definicin 2.7: El evento complemento del evento A es un subconjunto que
contiene los resultados que no estn en el evento A.
Notas: - El evento complemento de A se conocer con la notacin A .

Algunos autores usan las notaciones A o A
c
para indicar el
complemento del evento A.
- Los eventos A y A no tienen resultados comunes.
Las definiciones que siguen buscan establecer una suerte de clasificacin de los
eventos. Si bien un conjunto se puede escribir de diversas maneras tiene mucho
inters para el estudio que se quiere desarrollar el poder expresar el espacio muestral
en trminos de los eventos que contengan un nico resultado.
Definicin 2.8: Un evento elemental es un evento que contiene solamente un
resultado del experimento aleatorio.
Notas: - Es de mucho inters expresar el espacio muestral en funcin de

los eventos elementales que lo conforman.
- En un espacio muestral finito es posible conocer el nmero de
eventos elementales que estn presentes.
- En un espacio muestral infinito numerable se tienen infinitos
eventos elementales.
- En un espacio muestral continuo tambin se tiene un nmero
infinito de eventos elementales.
Definicin 2.9: Un evento compuesto es un evento que contiene ms de un
Nota: - Un evento compuesto est conformado de varios eventos

elementales.
Definicin 2.10: El evento seguro es un evento que contiene todos los resultados
del experimento aleatorio.
Definicin 2.11: El evento imposible es un evento que no contiene ningn

Notas: - El evento seguro es el espacio muestral S.

- El evento imposible es el conjunto vaco .
Ejemplo 2.9: En el Ejemplo 2.3 se describe el espacio muestral del experimento
aleatorio de lanzar un dado. Este espacio muestral finito tiene seis eventos
elementales pero se podran definir, perfectamente, los siguientes eventos
compuestos:
A ={Cara i / i par}, B ={Cara i / i impar},
C ={Cara i / i > 4}, D ={Cara i / i < 3}
Ejemplo 2.10:En el Ejemplo 2.5 se describe el espacio muestral del experimento

aleatorio de lanzar dos dados. Este espacio muestral finito tiene treinta y seis
eventos elementales pero se podran definir, perfectamente, los siguientes eventos
compuestos:
A ={(i, j) / i par}, B ={(i, j) / i, j sean impares},
C ={(i, j) / i + j > 4}, D ={(i, j) / i j = 3}
Ejemplo 2.11:Sea el experimento aleatorio de lanzar dos monedas. El espacio

muestral de este experimento puede expresarse en trminos de sus resultados
elementales pero es posible confundirlos con otro grupo de eventos que no sean
elementales, por ejemplo, se podra decir que el espacio muestral es S = {cero caras,
una cara, dos caras}. Efectivamente, este grupo de eventos describe el espacio
muestral del experimento pero ellos no son eventos elementales. El espacio
muestran, descrito en trminos de los eventos elementales es igual a S = {(c,c), (c,s),
(s,c), (s,s)}. Aqu se puede observar que el evento que ocurra una cara est
compuesto por dos resultados elementales.

Una manera de conseguir eventos compuestos es realizando operaciones con
eventos; por ejemplo, al realizar la unin de dos resultados elementales se consigue
un evento compuesto que est formado por los dos resultados elementales. Pero,
qu sucede al realizar la interseccin de dos eventos elementales?. La solucin a
esta pregunta es el evento imposible, ya que esa interseccin es vaca. Este hecho
lleva a formular la siguiente definicin.
Definicin 2.12: Si dos eventos tienen interseccin vaca, entonces se les llama
eventos mutuamente excluyentes.
Notas: - Todos los eventos elementales son mutuamente excluyentes.

- Un evento y su complemento son mutuamente excluyentes ya
que no tienen ningn resultado en comn.
2.4) DEFINICIONES DE PROBABILIDAD.
Un experimento aleatorio proporciona incertidumbre acerca del resultado que se
obtendr al realizar la experiencia. Esa es la naturaleza aleatoria de la que se ha
estado hablando a travs de este captulo. Aqu es donde cabe la pregunta de cmo
medir la incertidumbre. La siguiente definicin permite comenzar a formalizar el
uso de la palabra probabilidad asociada con los experimentos aleatorios.
Definicin 2.13: A la manera de cuantificar la incertidumbre que existe en un
experimento aleatorio se le conocer como probabilidad.
Notas: - Esta definicin slo busca iniciar la explicacin de lo que se

entiende por probabilidad.
- Cualquiera sea la manera de interpretar el concepto
probabilidad, siempre estar asociada al experimento aleatorio.
- La probabilidad puede verse como una relacin matemtica que
asigna a cada resultado del experimento aleatorio un nmero
real. Esta sera una mera asignacin matemtica de lo
observado.
- A la probabilidad de un evento A se le denotar P(A).
Ahora bien, sin intentar hacer un estudio filosfico profundo, valdra la pena revisar
las primeras explicaciones que se conocen acerca de la definicin de probabilidad.
2.4.1) Definicin de Frecuencias Relativas.
La definicin de frecuencias relativas se basa en la repeticin del experimento
aleatorio. Esta repeticin debe ser bajo las mismas condiciones para poder eliminar
posibles influencias externas que alteren los resultados que se espera obtener. Al
repetir el experimento estaremos interesados en observar la ocurrencia o no de un
evento en particular. Sea n el nmero de veces que se repite el experimento
aleatorio y sea n
A
el nmero de veces que ocurre el evento A en esas repeticiones.
Evidentemente, n
A
debe ser menor o igual a n. La relacin entre estas cantidades se
conoce como la frecuencia relativa de ocurrencia del evento A, es decir,
n
n
A
A
f = (ec. 2.1)
Est claro que f
A
depende del nmero de repeticiones del experimento y en la
medida que aumenta n resulta que el valor de f
A
se estabiliza. El fenmeno anterior
se conoce como regularidad estadstica y es la clave para establecer una definicin
de probabilidad con base en la frecuencia relativa de ocurrencia del evento A.
Definicin 2.14: Sea un experimento aleatorio que se va a repetir n veces y sea n
A
el nmero de esas veces que ocurre el evento A, entonces se conocer como
probabilidad del evento A (versin de frecuencias relativas) al lmite cuando n
tiende a infinito de la frecuencia relativa de A.
Notas: - La probabilidad del evento A se define mediante la ecuacin

2.2.
- La ecuacin 2.2 no es prctica para calcular la probabilidad de
A. En su defecto, debe usarse la ecuacin 2.3.
- La ecuacin 2.3 no conduce a un nico resultado ya que
depende de la repeticin del experimento aleatorio.
- La ecuacin 2.3 depende de una apreciacin del analista;
cuando n es grande no es una condicin muy precisa.
- La definicin 2.14 depende de que es posible la repeticin del
experimento aleatorio. Hay experiencias aleatorias donde no se
tiene dominio ni siquiera para realizar la experiencia una
primera vez.
- La definicin 2.14 depende de que ocurra el evento A un cierto
nmero de veces. Qu pasa si el evento A no ocurre en las n
repeticiones?. Tiene probabilidad cero?.
n
n
A
n
A
n
lim f lim A P

= = ) ( (ec. 2.2)
grande es cuando ) ( n
n
n
A
A P (ec. 2.3)
Entre las notas que se presentan para la definicin 2.14 aparecen varias
observaciones bastantes lapidarias de la definicin que implican restricciones que se
debe tomar en cuenta cuando se pretende utilizar esta definicin de frecuencias
relativas. La Figura 2.2 muestra dos ejercicios de evaluar f
A
para dos experimentos
aleatorios y un nmero total de pruebas distinto. En cada grfica se muestra el valor
que se esperara sea el del valor lmite para la ecuacin 2.3.
Figura 2.2 Grficas de f
A
para dos experimentos aleatorios.
2.4.2) Definicin Clsica.
La definicin clsica se basa en el anlisis del espacio muestral del experimento
aleatorio. Aqu interesa conocer el nmero de formas distintas como puede ocurrir
el evento A y el nmero de formas distintas como puede ocurrir el espacio muestral.
La relacin entre estas dos cantidades define la probabilidad.
Definicin 2.15: Sea un experimento aleatorio cuyo espacio muestral est
conformado por N
S
resultados elementales y sea un evento A conformado por N
A
resultados elementales, entonces se conocer como probabilidad del evento A
(versin clsica) a la relacin entre N
A
y N
S
.
Notas: - La probabilidad del evento A se define y se calcula mediante la

ecuacin 2.4.
- Para establecer la definicin clsica no es necesario realizar el
experimento, slo analizar los posibles resultados.
- El espacio muestral del experimento debe ser discreto y finito.
- Esta definicin no es aplicable cuando el espacio muestral es
discreto e infinito numerable. En este caso N
S
es infinito y la
relacin de la ecuacin 2.4 pierde sentido.
- Esta definicin tampoco es aplicable cuando el espacio muestral
es continuo. En este caso, N
S
es infinito pero N
A
tambin lo ser
y la relacin de la ecuacin 2.4 se convierte en un lmite que
podra tener convergencia a un valor finito.
- Esta definicin implica que eventos con el mismo nmero de
resultados elementales tienen igual probabilidad.
- Como consecuencia de la nota anterior, se puede decir que
cualquier evento elemental tienen una probabilidad de
ocurrencia de 1/N
S
. Dicho en otras palabras, los eventos
elementales son equiprobables.
S
A
N
N
A P = ) ( (ec. 2.4)
Con base en el principio de equiprobabilidad presentado en las notas de la
definicin 2.15 es posible extender la definicin clsica a un espacio muestral
continuo.
Definicin 2.16: Sea un experimento aleatorio cuyo espacio muestral es continuo,
sea L
S
la longitud del espacio muestral y sea L
A
la longitud del evento A, entonces
se conocer como probabilidad del evento A (versin clsica) a la relacin entre
L
A
y L
S
.
Notas: - La probabilidad del evento A se define y se calcula mediante la

ecuacin 2.5.
- El espacio muestral del experimento, en este caso por supuesto,
debe ser continuo.
- Esta definicin no es aplicable cuando la longitud del espacio
muestral es infinita. En ese caso, la relacin de la ecuacin 2.5
pierde sentido.
- Eventos con igual longitud tienen igual probabilidad; no importa
su ubicacin relativa dentro del dominio. Este es el principio de
equiprobabilidad.
S
A
L
L
A P = ) ( (ec. 2.5)
Utilizando el principio de equiprobabilidad es posible extender la definicin clsica
a un espacio muestral bidimensional o de mayor dimensin. En el caso
bidimensional, se dira que aquellos eventos que ocupen igual rea dentro del
espacio muestral tiene igual probabilidad (calculada en trminos de la ecuacin 2.6)
de ocurrencia sin tomar en cuenta la ubicacin de esos eventos.
S
A
A
A
A P = ) ( (ec. 2.6)
Ejemplo 2.12:Para el experimento aleatorio de lanzar un dado y verificar cuntos
puntos hay en su cara superior, se consigui en el Ejemplo 2.3 que hay seis
resultados elementales. Entonces, la probabilidad de cada uno de esos resultados
elementales es 1/6.
Sea el evento A = {que la cara superior tenga un nmero par de puntos}. Entonces,
el evento A ocurre de 3 formas distintas, luego
5 . 0
6
3
) ( = = =
S
A
N
N
A P
Ejemplo 2.13:Sea el experimento aleatorio de escoger una carta al azar de un mazo

de 40 cartas espaolas.
Nota: - Este ejemplo permite aclarar la frase escoger al azar que
se usa en el lenguaje comn pero que en probabilidades tiene una
connotacin particular. Esta frase se utilizar como un sinnimo de
la frase los eventos elementales son equiprobables.
Al analizar el espacio muestral se deduce que hay 40 resultados elementales (cada
una de las cartas del mazo). Entonces, la probabilidad de escoger una carta al azar
digamos, el as de espadas, es 1/40.
Sea el evento B = {la carta escogida es de espadas}. Entonces, el evento B ocurre de
10 formas distintas, luego
25 . 0
40
10
) ( = = =
S
B
N
N
B P
Ejemplo 2.14:Sea el experimento aleatorio de observar el instante en que ocurre

una llamada telefnica durante el intervalo de tiempo (0, T).
Sean los eventos A = {la llamada ocurre en el intervalo (0, t
1
)} y
B = {la llamada ocurre en el intervalo (t
1
, t
2
), 0 t
1
< t
2

T} . Entonces,
) ( y
0
0
) (
1 2 1 1
T
t t
L
L
B P
T
t
T
t
L
L
A P
S
B
S
A

= = =
= =
Ejemplo 2.15:Sea el experimento aleatorio de escoger al azar un punto de

coordenadas (x, y) en la regin sombreada de la Figura 2.3. Segn la nota en el
Ejemplo 2.13, todos los puntos en la regin son igualmente probables. Por lo que la
probabilidad de cada evento ser proporcional en forma relativa al rea que ocupa
ese evento en la regin sombreada.
Y
T
(x,y)
y
X
x T
Figura 2.3: Regin que representa el espacio muestral del Ejemplo 2.15
Sean los eventos A = {(x, y) / x > y} y B = {(x, y) / 0 < x
1
< x < x
2
< T} . Entonces,
( ) ( )
T
x x
T
T x x
A
A
B P
T
T
A
A
A P
S
B
S
A 1 2
2
1 2
2
2
) ( y
2
1

2
) (

=
= = = = =
Ejemplo 2.16:Sea el experimento aleatorio de extraer una pelota al azar de una caja.
En la caja hay R pelotas rojas y A pelotas amarillas. En total, hay (R + A) pelotas
disponibles, luego hay (R + A) eventos elementales.
Sea el evento C = {extraer una pelota roja}. Entonces, el evento C ocurre de R
formas distintas, luego
A R
A
N
N N
N
N
C P
A R
R
N
N
C P
S
C S
S
C
S
C
+
=
= =
+
= = ) ( y ) (
El Ejemplo 2.16 permite introducir un tipo de experimento aleatorio que se utilizar

frecuentemente en este captulo y en los siguientes para explicar situaciones
probabilsticas generales por intermedio de este experimento.
Definicin 2.17: Sea un experimento aleatorio que consiste en la extraccin al azar
de pelotas de una caja; las pelotas tienen igual textura y tamao diferencindose
nicamente por el color. Entonces a este tipo de experimento se le conocer como
muestreo aleatorio.

2.4.3) Definicin Subjetiva.
En las definiciones anteriores existen algunas restricciones que no hacen aplicable
alguna de ellas, pero tambin ocurre que existen restricciones que obligan a no
poder utilizar ninguna de esas definiciones. Como ejemplos de esto se podran
escribir las frases siguientes que describen situaciones de tipo aleatorio que vivimos
da a da:
Es probable que vayamos el sbado a la playa
Siempre ( Casi siempre! ) que llamo a Jos no lo encuentro en su casa
El lector puede observar el grado de incertidumbre que tienen estas frases y se
preguntar la manera de asignar probabilidades de los eventos involucrados en cada
caso. Cunto es probable?, Qu valor toma casi siempre?.
En casos de este estilo las personas asignan valores a la probabilidad de ocurrencia
de eventos sin seguir normas o definiciones matemticas sino apelando, con mayor
o menor informacin, a sus sentimientos o presentimientos. En definitiva, la
asignacin de probabilidades se realiza en forma subjetiva como resultado del
convencimiento que tiene el ser humano sobre la ocurrencia de eventos aleatorios.
Este mtodo define todo un campo de estudio dentro de la teora de probabilidades
que se denomina Teora Bayesiana, en honor a Thomas Bayes, uno de los
primeros investigadores que utiliz conceptos subjetivos por encima de los
objetivos para asignar valores a la probabilidad de ocurrencia de eventos.
Ejemplo 2.17:Sea un dispositivo electrnico que dispone de un panel donde hay
tres bombillos de colores amarillo, azul y rojo. El dispositivo tiene unas perillas que
permiten controlar el porcentaje de tiempo que estar prendido cada bombillo. El
dispositivo funciona de tal manera que enciende un bombillo a la vez durante un
lapso de tiempo bastante corto y cambia a otro de los bombillos en forma aleatoria.
Sea un experimento aleatorio que consiste en observar el dispositivo en
funcionamiento durante un periodo de tiempo de, digamos, un minuto; al terminar,
se le hace la siguiente pregunta al observador: Qu porcentaje de tiempo estima
Ud. que estuvo encendido el bombillo de color rojo?. Las respuestas a esta pregunta
sern muy diversas y dependern de caractersticas de las personas (sern respuestas
subjetivas) pero siempre cercanas al valor objetivo que fijaron las perillas.
El Ejemplo 2.17 permite, incluso, establecer todo un estudio estadstico de las

respuestas clasificndolos por grupos poblacionales con ciertas caractersticas
comunes. Puede servir para analizar comportamientos psicolgicos de personas que
pertenecen a esos grupos y extrapolar la forma de respuesta de las personas con esas
caractersticas.
2.5) AXIOMAS DE PROBABILIDAD.
La Definicin 2.13 de la seccin anterior no es prctica debido a que no permite
asignar valores a la probabilidad de un evento pero tiene un significado conceptual
muy importante que es una declaracin de principios: las probabilidades son
nmeros. Esto obliga a establecer el concepto de una relacin entre el conjunto de
los resultados del experimento aleatorio y el conjunto de los nmeros reales. Es la
manera de involucrar la matemtica con la teora de probabilidades.
La siguiente definicin encierra las caractersticas que debe cumplir la relacin o
regla de asignacin pero las definiciones de las seccin anterior son las que
proporcionan la forma de asignacin de las probabilidades.
Definicin 2.18: Sea un experimento aleatorio con espacio muestral S y sean los
eventos A y B dentro de ese espacio. Sea una relacin entre el conjunto de partida S
y el conjunto de llegada tal que a cada elemento del conjunto de partida, digamos
evento A, le asigna un nmero real P(A), es decir,
= p S A p A P S P y con ) ( / :
entonces, la relacin P(A) debe cumplir con ciertas reglas generales para asegurar la
consistencia de la explicacin matemtica con las nociones intuitivas. Estas reglas
se conocen como axiomas de probabilidades y son los siguientes:
Axioma 1: Las probabilidades son nmeros positivos. Para cualquier evento A,
siempre se cumplir que 0 ) ( A P .
Axioma 2: Al evento seguro se le asignar una probabilidad igual a uno. 1 ) ( = S P .
Axioma 3: Para dos eventos A y B mutuamente excluyentes ( = B A ), se tiene
que la probabilidad de la unin de ellos es la suma de sus probabilidades, es decir,
) ( ) ( ) ( B P A P B A P + = .
Estos axiomas establecen las bases para definir el lgebra de probabilidades y

permiten el fcil trnsito entre el entendimiento intuitivo y natural de los
experimentos aleatorios y el aprovechamiento y generalizacin que proporciona la
matemtica.
A continuacin se analizan algunos ejemplos de situaciones de orden general que
surgen como consecuencia de los axiomas de la Definicin 2.18.
Ejemplo 2.18: La suma de las probabilidades del evento A y su complemento es
igual a uno.
Para demostrar esta aseveracin se debe hacer uso de la teora de conjuntos y de los
axiomas de probabilidades. Primero hay que recordar que los eventos A y A son
mutuamente excluyentes por lo que, segn el axioma 3, la probabilidad de su unin
es la suma de sus probabilidades, entonces
) ( ) ( ) ( A P A P A A P + =
Pero la unin de un evento y su complemento es igual al espacio muestral por lo
que, usando el axioma 2, se puede escribir
) ( ) ( 1 ) ( ) ( A P A P S P A A P + = = =
Ejemplo 2.19: Las probabilidades son nmeros entre cero y uno.

Para demostrar esta aseveracin se debe hacer uso de la teora de conjuntos, de los
axiomas de probabilidades y del resultado del Ejemplo 2.18.
) ( - 1 ) ( 1 ) ( ) ( A P A P A P A P = = +
Segn el axioma 1, tanto A como A tienen probabilidades no negativas, entonces
1 ) ( 0 ) ( - 1 ) ( = A P A P A P
Ejemplo 2.20: La probabilidad del evento imposible es cero.

Para demostrar esta aseveracin se debe hacer uso de la teora de conjuntos, de los
axiomas de probabilidades y del resultado del Ejemplo 2.18. El evento imposible es
el complemento del evento seguro, entonces
0 ) ( - 1 ) ( 1 ) ( ) ( = = = + S P P P S P
S
A
AB B
Figura 2.4 Diagrama de Venn de la Interseccin de Dos Eventos no Excluyentes.
Ejemplo 2.21: La probabilidad de la unin de dos eventos que no son excluyentes
es igual a la suma de sus probabilidades menos la probabilidad de su interseccin.
Para demostrar esta aseveracin se debe hacer uso de la teora de conjuntos y de los
axiomas de probabilidades. En la Figura 2.4 se muestran dos eventos, la elipse A y
el rombo B, con la particularidad de tener una interseccin no vaca. De all se
puede escribir que
( ) ( ) ( ) B A B A B A B A =
con la particularidad de que los tres eventos entre parntesis del lado derecho son
excluyentes entre si por lo que, segn el axioma 3,
( ) ( ) ( ) ( ) B A P B A P B A P B A P + + =
Analizando el evento de la forma ( ) B A se puede ver que se cumple que
( ) ( ) ( ) ( ) ( ) ) ( - P ) ( P B P B A B A P B A P B P B A B A B B A = + = =
De igual manera, para el evento de la forma ( ) B A se cumple que
( ) ( ) ) ( - P A P B A B A P =
Sustituyendo en la ecuacin original, se simplifica para llegar a
( ) ( ) ( ) ( ) B A P B P A P B A P + =
Como puede observar el lector, los Ejemplos 2.18 al 2.21 son caractersticas
generales que surgen como consecuencia de los axiomas de probabilidades. Se
podran ver de ahora en adelante como propiedades de la definicin de probabilidad;
adicionales a los axiomas antes mencionados.
Ejemplo 2.22: Considere un experimento aleatorio en el cual se definen dos
eventos, A y B, que son mutuamente excluyentes. Se conoce que P(A)=0.28 y
P(B)=0.65. Se requiere calcular las probabilidades de los eventos siguientes:
B A B A B A B A , , , ,
Para el clculo de las probabilidades de estos eventos se utilizan tanto las
propiedades deducidas como algunas propiedades de conjuntos.
07 . 0 93 . 0 1 ) ( 1 ) ( ) (
93 . 0 65 . 0 28 . 0 ) ( ) ( ) (
0 ) (
35 . 0 65 . 0 1 ) ( 1 ) (
72 . 0 28 . 0 1 ) ( 1 ) (
= = =
= + = + =
=
= = =
= = =
B A P B A P B A P
B P A P B A P
B A P
B P B P
A P A P
Ejemplo 2.23: En cierta urbanizacin, el 55% de las familias recibe por

suscripcin el peridico de circulacin nacional A, el 85% recibe el peridico local
B mientras que el 50% recibe ambas publicaciones. El experimento aleatorio
consiste en escoger al azar una familia y verificar cules peridicos recibe por
suscripcin. Se definen los eventos A = {la familia recibe el peridico de
circulacin nacional} y B = {la familia recibe el peridico local}. De los datos, se
puede deducir que P(A) = 0.55, P(B) = 0.85 y P(AB) = 0.5.
Sea el evento C = {la familia recibe por lo menos uno de los peridicos}, entonces
la probabilidad de C ser
90 . 0 5 . 0 85 . 0 55 . 0 ) ( ) ( ) ( ) ( ) ( = + = + = = B A P B P A P B A P C P
Sea el evento D = {la familia recibe exactamente uno de los peridicos}, entonces la
probabilidad de D ser
( ) ( )
2 . 0 85 . 0 55 . 0 8 . 0 2 ) ( ) ( ) ( 2 ) (
) ( ) ( ) ( ) ( ) ( ) ( ) (
= = =
+ = + =
x x B P A P B A P D P
B P B A P A P B A P B A P B A P D P
En la deduccin de la probabilidad del evento D estn involucradas varias de las
propiedades que se han visto. Se sugiere al lector hacer un diagrama de Venn para
verificar la validez de las relaciones entre los eventos de este ejemplo.
2.5.1) Clculo de Probabilidades en un Espacio Muestral Discreto y Finito.

La definicin clsica de probabilidad es aplicable directamente a eventos definidos
en un espacio muestral finito. Para ello se debe conocer el nmero de resultados
elementales que conforman el evento (N
A
) y el nmero de resultados elementales en
el espacio muestral (N
S
). Entonces, debemos saber contar. Claro est, cuando las
cantidades son pequeas es ms fcil contarlas pero a medida que se complica la
cantidad de resultados debemos apoyarnos en tcnicas que nos permitan contar sin
usar nuestros dedos. En el Apndice 2.2, al final del captulo, se presenta un
resumen de las tcnicas de conteo ms utilizadas en la teora de las probabilidades.
A continuacin se presentan un grupo de ejemplos que se apoyan en las tcnicas de
conteo para obtener el resultado pedido en cada caso.
Ejemplo 2.24: Cul es la probabilidad de que se puedan sentar en una fila tres
hombres y cuatro mujeres si hombres y mujeres deben quedar alternados?.
En el Ejemplo 2.2.5 del Apndice 2.2 se consider el problema de calcular los casos
favorables al evento del que se solicita la probabilidad. Sea A el evento de que los
hombres y las mujeres se sienten en forma alternada, entonces N
A
= 144. Para
conocer N
S
se debe tomar en cuenta que se van a sentar en cualquier orden las siete
personas en las siete sillas por lo que N
S
= 7! = 5040. Entonces
0286 . 0
5040
144
) ( = = =
S
A
N
N
A P
Ejemplo 2.25: Cul es la probabilidad de que se puedan sentar en una fila tres
hombres y cuatro mujeres si los hombres se sientan juntos?.
favorables al evento del que se solicita la probabilidad. Sea A el evento de que los
hombres se sienten juntos, entonces N
A
= 720. Para conocer N
S
se debe tomar en
cuenta que se van a sentar en cualquier orden las siete personas en las siete sillas por
lo que N
S
= 7! = 5040. Entonces
14286 . 0
5040
720
) ( = = =
S
A
N
N
A P
Ejemplo 2.26: Cul es la probabilidad de que al escoger una placa de un

automvil, las letras sean distintas y los nmeros sean distintos?.
totales del espacio muestral, resultando que N
S
= 19683000. Sea B el evento de que
las letras sean distintas y los nmeros sean distintos, entonces N
B
= 12636000 (ver
Ejemplo 2.2.9 del Apndice 2.2). Entonces
642 . 0
19683000
12636000
) ( = = =
S
B
N
N
B P
Ejemplo 2.27: Se dispone de 7 hombres y 10 mujeres para seleccionar un comit

de 5 personas. La seleccin se realizar al azar. Cul es la probabilidad de que el
comit est formado por dos hombres y tres mujeres?.
Para calcular el total de formas como ocurre el espacio muestral hay que tomar en
cuenta que se quiere seleccionar cinco personas de un universo de 17. De aqu
resulta que 6188
! 12 ! 5
! 17
5
17
= =
|
|
.
|
\
|
=
x
S
N . Sea C el evento que el comit est formado
por dos hombres y tres mujeres, entonces 2520
! 7 ! 3
! 10
! 5 ! 2
! 7
3
10
2
7
= =
|
|
.
|
\
|
|
|
.
|
\
|
=
x
x
x
C
N .
Luego
4072 . 0
6188
2520
) ( = = =
S
C
N
N
C P
Ejemplo 2.28: Se van a alinear al azar 6 pelotas negras y dos blancas. Cul es la
probabilidad de que las dos pelotas blancas queden juntas?.
Para calcular el total de formas como ocurre el espacio muestral hay que tomar en
cuenta que se quiere alinear 8 pelotas. De aqu resulta que 40320 ! 8 = =
S
N . Sea A
el evento que las dos pelotas blancas queden juntas, entonces 10080 ! 6 ! 2 7 = = x x
A
N .
Luego
25 . 0
40320
10080
) ( = = =
S
A
N
N
A P
Ejemplo 2.29: Sea el experimento aleatorio de seleccionar al azar un nmero de

tres cifras comprendido entre 100 y 999, incluyendo a ambos. Cul es la
probabilidad de que el nmero escogido tenga al menos un uno?.
Sea el evento A = {el nmero escogido tiene al menos un uno}. Entonces el evento
complementario A , ser que el nmero seleccionado no tenga ningn uno. Luego,
si se conoce P( A ), se tiene P(A). Para conocer
A
N
, hay que ver cuntos nmeros
estn disponibles para colocarlos en la primera cifra, en la segunda y en la tercera
sin utilizar el nmero uno, es decir, 8, 9 y 9, respectivamente. De igual manera, para
conocer N
S
se disponen de 9, 10 y 10, respectivamente debido a que no hay que
tomar en cuenta la restriccin del nmero uno. Entonces
900 10 10 9 y 648 9 9 8 = = = = x x
S
x x
A
N N
28 . 0
900
648
1 1 ) ( 1 ) ( = = = =
S
A
N
N
A P A P

2.6) PROBABILIDAD CONDICIONAL.
Considere una caja con R pelotas rojas y A pelotas amarillas. Se va a realizar el
experimento aleatorio de extraer al azar una pelota de la caja. Sea R el evento de
extraer una pelota roja, entonces
A R
R
R P
+
= ) ( . De igual manera, si A es el evento
de extraer una pelota amarilla, se tiene que
A R
A
A P
+
= ) ( . A continuacin se debe
tomar la decisin de devolver la pelota extrada a la caja o dejarla fuera, con miras a
realizar una segunda extraccin. Estas alternativas motivan las siguientes dos
definiciones.
Definicin 2.19: Sea un muestreo aleatorio, es decir, extraccin al azar de pelotas
de una caja. Si la pelota extrada en cada intento se devuelve a la caja se estar
hablando de un muestreo aleatorio con reposicin.
Definicin 2.20: Sea un muestreo aleatorio, es decir, extraccin al azar de pelotas

de una caja. Si la pelota extrada en cada intento no se devuelve a la caja se estar
hablando de un muestreo aleatorio sin reposicin.
Notas: - Al muestreo aleatorio con reposicin se le denotar como MCR.

- Al muestreo aleatorio sin reposicin se le denotar como MSR.
Volviendo con el problema de extraer las pelotas de la caja, considere un cambio en
la notacin de los eventos involucrados. Sea R
i
el evento de extraer una pelota roja
en el i-simo intento y sea A
i
el evento de extraer una pelota amarilla en el i-simo
intento. Entonces, se puede escribir
A R
A
A P
A R
R
R P
+
=
+
= ) ( y ) (
1 1
Considere ahora el evento R
2
. En este momento se debe tomar en cuenta qu ocurri
con la pelota extrada en la primera oportunidad, es decir, el muestreo es con o sin
reposicin. Analicemos ambos casos.
En el caso de MCR, la pelota extrada se devuelve a la caja y al momento de extraer
la segunda pelota estn presentes en la caja las mismas pelotas que para la primera
extraccin. Por tanto, se puede escribir
A R
A
A P
A R
R
R P
+
=
+
= ) ( y ) (
2 2
Ms an, al generalizar el proceso de extraccin y reposicin, siempre estarn
presentes en la caja las mismas pelotas que para la primera extraccin, por lo que se
puede escribir
i todo para ) ( y ) (
A R
A
A P
A R
R
R P
i i
+
=
+
=
En el otro caso, MSR, la pelota extrada en la primera oportunidad queda fuera de la
caja. Entonces, el nmero de pelotas disponibles en la caja para la segunda
extraccin cambia ya que ahora hay una pelota menos. Por tanto, la probabilidad del
evento R
2
se ver alterada por este hecho.
Pero, qu ocurri en la primera extraccin?, si se conoce la respuesta a esta
pregunta, digamos A
1
, se conoce con exactitud que en la caja hay R pelotas rojas y
(A-1) pelotas amarillas disponibles para la segunda extraccin. Si la respuesta
hubiese sido R
1
, entonces tambin se sabra con exactitud que en la caja hay (R-1)
pelotas rojas y A pelotas amarillas disponibles para la segunda extraccin.
En otras palabras, la ocurrencia del evento A
1
o el evento R
1
, altera el espacio
muestral para la segunda extraccin pero esa alteracin queda totalmente
determinada.
Esto lleva a redefinir los eventos involucrados para decir, por ejemplo, que el evento
R
R
sea el evento de extraer una pelota roja en el segundo intento dado que ocurri
el hecho de que la primera pelota extrada fue roja. De igual manera, se podra
decir que R
A
es el evento de extraer una pelota roja en el segundo intento dado que
ocurri el hecho de que la primera pelota extrada fue amarilla. Entonces, se puede
escribir.
) 1 (
) ( y
) 1 (
1
) (
+
=
+

=
A R
R
R P
A R
R
R P
A R
Los eventos R
R
y R
A
, definidos en el prrafo anterior, tienen implcito que la
ocurrencia de un evento cambia (est condicionada) debido a que otro evento
ocurri, esto no suceda en el MCR. Para generalizar esto se enuncia la siguiente
definicin.
Definicin 2.21: Cuando la ocurrencia de un evento B cambia el espacio muestral
para la ocurrencia de otro evento A, se dice que el evento B condiciona la
ocurrencia del evento A.
Notas: - El cambio en el espacio muestral provoca un cambio en el valor

de la probabilidad del evento A.
- La probabilidad del evento A dado que B ocurri se denota por
P(A/B).
Volviendo con la nomenclatura establecida para el muestreo sin reposicin se puede
escribir
) 1 (
) / ( ) ( y
) 1 (
1
) / ( ) (
1 2 1 2
+
= =
+

= =
A R
R
A R P R P
A R
R
R R P R P
A R
De igual manera, se puede escribir
) 1 (
1
) / ( y
) 1 (
) / (
1 2 1 2
+

=
+
=
A R
A
A A P
A R
A
R A P
Pero este anlisis fue posible debido a que se dispona de la informacin del color
de la pelota en la primera extraccin. Cmo proceder si no se conoce ese color?.
En ese caso, es importante conocer todo lo que pudo haber pasado, es decir, la
pelota extrada en la primera oportunidad o es roja o es amarilla. Por lo que se puede
escribir
( ) ( ) ( )
( ) ( ) ( ) ( ) ( )
1 2 1 2 1 2 1 2 2
1 2 1 2 1 1 2 2 2
) ( A R P R R P A R R R P R P
A R R R A R R S R R
+ = =
= = =
Para calcular las probabilidades involucradas en la expresin anterior se puede hacer
uso del producto cartesiano de dos conjuntos (Definicin 2.1.10 del Apndice 2.2).
Las Figuras 2.5 y 2.6 ilustran sobre el producto cartesiano de los conjuntos S y S
R
,
para calcular P(R
2
R
1
), y, por otro lado S y S
A
, para calcular P(R
2
A
1
).
Conjunto S
R
A pelotas 1 2
(R-1) pelotas 3 4
Conjunto S
R pelotas A pelotas
Figura 2.5: Espacio Muestral para el Evento (R
2
R
1
)
Conjunto S
A
(A-1) pelotas 1 2
R pelotas 3 4
Conjunto S
R pelotas A pelotas
Figura 2.6: Espacio Muestral para el Evento (R
2
A
1
)
Veamos como analizar la Figura 2.5. En el eje horizontal se est colocando el
espacio muestral original con R pelotas rojas y A pelotas amarillas. En el eje
vertical se est colocando el espacio muestral alterado por el evento R
1
(ahora hay
una pelota roja menos). Adems se muestran las pelotas por tipo de color separadas
entre si. En cada una de las cuatro regiones, numeradas de 1 a 4, se puede
determinar el nmero total de puntos en esa regin debido al producto cartesiano de
S y S
R
. Para la regin numero 1, por ejemplo, el total de puntos es N
1
= R
x
A. El
nmero de formas distintas como ocurre el espacio muestral del evento (R
2
R
1
)
ser
) 1 )( ( ) 1 ( ) 1 (
4
1
+ + = + + + = =
=
R A R A R A R R AA RA N N
i
i S
El nmero de formas distintas como ocurre el evento (R
2
R
1
) se corresponde con
N
3
= R(R-1). Luego,
( )
) 1 )( (
) 1 (
1 2
+ +

=
R A R A
R R
R R P
Siguiendo la misma metodologa para analizar la Figura 2.6 se puede escribir que
( )
) 1 )( (
1 2
+ +
=
R A R A
RA
A R P
En conclusin P(R
2
) ser
( ) ( )
! ! !
) 1 )( (
) 1 (
) 1 )( (
) 1 (
) (
) 1 )( ( ) 1 )( (
) 1 (
) (
2
1 2 1 2 2
R A
R
R A R A
R A R
R A R A
RA R R
R P
R A R A
RA
R A R A
R R
A R P R R P R P
+
=
+ +
+
=
+ +
+
=
+ +
+
+ +

= + =
Parece sorprendente el resultado obtenido ya que despus de tener que tomar en
cuenta las alteraciones que provoca la ocurrencia de la primera extraccin se llega al
mismo resultado que en el caso del MCR. La clave de esto se encuentra en el hecho
de haber tomado en cuenta todos los posibles resultados de la primera extraccin.
El anlisis de las Figuras 2.5 y 2.6 unido a la Definicin 2.21 permite generalizar el
mtodo de clculo de la probabilidad condicional mediante la siguiente definicin.
Definicin 2.22: La probabilidad de un evento A condicionado a que ocurri un
evento B, es decir, P(A/B), se define como la relacin entre las probabilidades de la
interseccin de los eventos A y B y la probabilidad del evento condicionante B.
Notas: - El evento (A/B) tambin se puede expresar como A dado que B

ocurri o, simplemente, A dado B.
- El diagrama de Venn de la Figura 2.7 muestra los eventos
involucrados en esta definicin.
- P(A/B) se calcula utilizando la ecuacin 2.7.
- Si en la ecuacin 2.7 el evento condicionante es S, se concluye
que P(A/S) = P(A).
- Si se cumple que AB, se puede demostrar que
) (
) (
) (
) / ( A P
B P
A P
B A P = .
- Si se cumple que BA, se concluye que P(A/B) = 1.
- Si se cumple que AB = , se concluye que P(A/B) = 0.
0 ) ( que siempre
) (
) (
) / (
= B P
B P
B A P
B A P (ec. 2.7)
S
AB
A B
Figura 2.7: Eventos Involucrados en la Definicin 2.22.
Cuando se analiza la Figura 2.7 se puede crear una relacin entre el rea ocupada
por un evento y su probabilidad de ocurrencia. As, el rea total del rectngulo debe
considerarse como uno ya que se corresponde con el espacio muestral. La
probabilidad del evento A ser la relacin entre el rea ocupada por el evento A y el
rea ocupada por el espacio muestral. Pensando de esta manera, al ocurrir el evento
B se reduce el espacio muestral al rea ocupada por el evento B y, entonces, la
probabilidad de A ser, ahora, la relacin entre el rea ocupada por A dentro del
nuevo espacio muestral (AB) y el rea del nuevo evento S (evento B). Esta
explicacin grfica hace entender la forma como el evento B altera el espacio
muestral lo que provoca el cambio en el valor de la probabilidad de A.
Ejemplo 2.30: En el laboratorio de computacin de una escuela hay 100
computadoras. Algunas son Pentium II (PII) y otras son Pentium I (PI), adems se
sabe que algunas computadoras tienen unidad de CD (CD) y otras no tienen unidad
de CD (NCD). La Tabla 2.1 muestra la distribucin de las computadoras segn las
clasificaciones anteriores. El experimento aleatorio consiste en escoger una
computadora al azar. Si la computadora escogida es Pentium II, Cul es la
probabilidad de que tenga unidad de CD?.
Pentium I (PI) Pentium II (PII) Total
Con unidad de CD (CD) 15 40 55
Sin unidad de CD 25 20 45
Total 40 60 100
Tabla 2.1: Datos del Ejemplo 2.30
Siguiendo la nomenclatura establecida en el enunciado del ejemplo se tiene que la
probabilidad solicitada es P(CD / PII). Entonces
666 . 0
100
60
100
40
) (
) (
) / ( = =
=
PII P
PII CD P
PII CD P
Ejemplo 2.31: En una caja hay R pelotas rojas y A pelotas amarillas. Se realiza un
MSR de tamao tres. Cul es la probabilidad de que las tres pelotas sean rojas?.
Considere los eventos siguientes R
i
= {sacar una pelota roja en el i-simo intento} y
A
i
= { sacar una pelota amarilla en el i-simo intento }. Entonces, la probabilidad
solicitada es P(R
1
R
2
R
3
). A partir de la definicin de probabilidad condicional se
puede escribir
A R
R
A R
R
A R
R
R P R R P R R R P R R R P
R P R R P R R P
R R P R R R P R R R P
R R P
R R R P
R R R P
x x
+ +

+

= =
=
=

=
1
1
2
2
) ( ) / ( ) / ( ) (
luego ) ( ) / ( ) ( pero
) ( ) / ( ) (
) (
) (
) / (
1 1 2 2 1 3 3 2 1
1 1 2 2 1
2 1 2 1 3 3 2 1
2 1
3 2 1
2 1 3
Ejemplo 2.32: En una caja hay 4 bombillos malos y 6 buenos. Se sacan dos
bombillos a la vez. Se prueba el primero y resulta bueno, Cul es la probabilidad
de que el otro tambin sea bueno?.
Sean los eventos B
1
= {el bombillo 1 est bueno} y B
2
= {el bombillo 2 est bueno}.
Entonces, la probabilidad solicitada es P(B
1
B
2
). A partir de la definicin de
probabilidad condicional se puede escribir
333 . 0
10
6
9
5
) (
luego
9
5
) / ( y
10
6
) (
) ( ) / ( ) (
) (
) (
) / (
2 1
1 2 1
1 1 2 2 1
1
2 1
1 2
= =
= =
=
=
x B B P
B B P B P
B P B B P B B P
B P
B B P
B B P
2.7) PROBABILIDAD TOTAL.

Volviendo con el problema de extraer pelotas de una caja sin reposicin (MSR), en
la seccin anterior se analiz el clculo de la probabilidad de que la segunda pelota
extrada sea roja (R
2
) sin conocer el color de la primera pelota. All se dijo que la
clave de la respuesta obtenida era que se tomaron en consideracin todos los
posibles resultados de la primera extraccin (roja o amarilla). Este hecho se
generalizar a continuacin.
Definicin 2.23: Sea una particin del espacio muestral en un grupo de eventos B
i
,
con i = 1, ,n. La probabilidad total de un evento A se puede expresar como la
suma de las probabilidades parciales de A respecto a cada elemento de la particin.
Notas: - La Definicin 2.1.13 del Apndice 2.1 indica las propiedades

que deben cumplir los elementos de una particin.
- La Figura 2.8 muestra al evento A y a los elementos de la
particin sobre el espacio muestral S.
- La probabilidad total del evento A se calcula utilizando la
ecuacin 2.8.
- La demostracin siguiente justifica la Ecuacin 2.8.
=
=
n
i
i i
B P B A P A P
1
) ( ) / ( ) ( (ec. 2.8)
S
B
2
B
1
B
3
A
B
i
B
n
Figura 2.8: Evento A y la Particin del Espacio Muestral.
Demostracin: El grupo de eventos B
i
debe cumplir con las siguientes propiedades
- S B
n
i
i
=
=
U
1
- ) ,... 2 , 1 , ( todo para n j i j i B B
j i
= =
Adems, tienen que ser tales que sus probabilidades sean mayores que cero
(P(B
i
)>0). El evento A se puede escribir como (en virtud de la 1 propiedad de la
particin)
( )
U U
n
i
i
n
i
i
B A B A S A A
1 1 = =
= = =
Note que los eventos dentro de la operacin de unin en el miembro de la derecha
de la expresin anterior son excluyentes entre si (2 propiedad de la particin).
Aplicando el concepto de probabilidad a los eventos anteriores
( ) ( ) ( ) ( )

= = =
= =
(
=
n
i
i i
n
i
i
n
i
i
B P B A P B A P B A P A P
1 1 1
/ ) (
U
Ejemplo 2.33: Se tienen dos cajas con pelotas. En la caja 1 hay X pelotas blancas y
Y pelotas rojas. En la caja 2 hay Z pelotas blancas y W pelotas rojas. Se selecciona
al azar una pelota de la caja 1 y se coloca en la caja 2, a continuacin, se escoge una
pelota de la caja 2, Cul es la probabilidad de que esa pelota sea blanca?.
Se definen los eventos siguientes:
B
1
= {pasar una pelota blanca de la caja 1 a la caja 2}
B
2
= { pasar una pelota roja de la caja 1 a la caja 2}
A = { escoger una pelota blanca de la caja 2}.
Ya que no se conoce el color de la pelota que pasa de la caja 1 a la caja 2, se deben
tomar en cuenta todos los posibles eventos que pudieron ocurrir. Entonces, la
probabilidad total de A se puede expresar en trminos de la particin B
i
.
( )( ) Y X W Z
ZY X XZ
Y X
Y
W Z
Z
Y X
X
W Z
Z
A P
B P B A P B P B A P B P B A P A P
x x
i
i i
+ + +
+ +
=
+ + +
+
+ + +
+
=
+ = =
=
1 1 1
1
) (
) ( ) / ( ) ( ) / ( ) ( ) / ( ) (
2 2 1 1
2
1
Ejemplo 2.34: Una caja contiene 2000 transistores de los cuales el 5% es

defectuoso. Una segunda caja contiene 500 transistores de los cuales el 40% es
defectuoso. Otras dos cajas contienen 1000 transistores cada una con un 10% de
defectuosos. Se selecciona al azar una caja y de ella se toma un transistor, Cul es
la probabilidad de que ese transistor est bueno?.
B = {el transistor escogido est bueno}
B = { el transistor escogido est defectuoso}
C
i
= { escoger la caja i / i = 1, 2, 3, 4}.
Entonces,
( ) 8375 . 0 10 . 0 10 . 0 40 . 0 05 . 0 25 . 0 1 ) (
) / ( 25 . 0 1 ) / ( ) ( 1 ) ( ) / ( 1 ) ( 1 ) (
4
1
4
1
4
1
= + + + =
= = = =

= = =
B P
C B P C B P C P C P C B P B P B P
i
i
i
i i
i
i i
Ejemplo 2.35: Un artculo es manufacturado por tres fbricas. Se sabe que la

fbrica 1 (F
1
) produce el doble de la fbrica 2 (F
2
) y sta igual que la fbrica 3 (F
3
).
El 2% de los artculos producidos por F
1
y F
2
tienen defectos mientras que el 4% de
los de F
3
tienen defectos. Se colocan juntos todos los artculos producidos y se
selecciona al azar uno de ellos, Cul es la probabilidad de que ese artculo tenga
algn defecto?.
D = {el artculo escogido tienen algn defecto}
F
i
= { escoger la fbrica i / i = 1, 2, 3}.
A diferencia del Ejemplo 2.34, las fbricas no se escogen al azar. En este caso, al
colocar todos los productos juntos la probabilidad de cada fbrica ser proporcional
a su produccin. Entonces,
25 . 0 ) ( ) ( , 5 . 0 ) (
entonces ) ( 2 ) ( 2 ) ( adems y 1 ) (
3 2 1
3 2 1
3
1
= = =
= = =
=
F P F P F P
F P F P F P F P
i
i
025 . 0 25 . 0 04 . 0 25 . 0 02 . 0 5 . 0 02 . 0 ) ( ) / ( ) (
3
1
= + + = =
=
x x x
i
i i
F P F D P D P
Ejemplo 2.36: Se dispone de una caja con R pelotas rojas y A pelotas amarillas. Se
lanza un dado perfecto y se obtiene como resultado un valor N, con N variable entre
uno y seis; si N es menor que 4 se extraen 2 pelotas sin reposicin, en caso contrario
se extraen 2 pelotas con reposicin, Cul es la probabilidad de que no se extraigan
pelotas rojas?.
A
1
= {ocurre un valor menor que 4 al lanzar el dado}
A
2
= {ocurre un valor mayor o igual que 4 al lanzar el dado}
R = {no se extrae ninguna pelota roja}= {las dos pelotas son amarillas}
A
1
y A
2
conforman una particin del espacio muestral. Adems, P(A
1
)=P(A
2
)=0.5.
Por otro lado, el evento R adquiere una connotacin diferente al ocurrir A
1
o A
2
.
Cuando ocurre A
1
, el muestreo se realizar sin reposicin mientras que cuando
ocurre A
2
el muestreo se realizar con reposicin. Entonces,
2
2 1
) / ( y
1
1
) / (
|
.
|
\
|
+
=
+

+
=
A R
A
A R P
A R
A
A R
A
A R P x
( )
|
.
|
\
|
+
+
+

+
=
+ = = =

= =
A R
A
A R
A
A R
A
R P
A R P A R P A R P A P A P A R P R P
i
i i
i
i i
1
1
5 . 0 ) (
) / ( ) / ( 5 . 0 ) / ( ) ( ) ( ) / ( ) (
2 1
2
1
2
1
Ejemplo 2.37: Considere nuevamente las cajas del Ejemplo 2.33. Se selecciona al
azar una pelota de cada caja y se coloca cada pelota en la otra caja, a continuacin,
se escoge una pelota de la caja 2, Cul es la probabilidad de que esa pelota sea
blanca?.
B
1
B
2
C
1
C
2
Los 4 eventos que pueden ocurrir al intercambiar pelotas son D
1
=(B
1
C
1
),
D
2
=(B
1
C
2
), D
3
=(B
2
C
1
) y D
4
=(B
2
C
2
). Por tanto, este grupo de eventos
conforman una particin D
i
del espacio muestral. Para conocer sus probabilidades se
recurre al producto cartesiano de los espacios muestrales de cada uno de los
experimentos involucrados (extraer una pelota de la caja 1 y extraer una pelota de la
caja 2). Aqu se tiene que N
S
= (X+Y)(Z+W), N
D1
= XZ, N
D2
= XW, N
D3
= YZ y
N
D4
= YW.
Por otro lado, al ocurrir cada evento de la particin se conoce el espacio muestral
resultante por lo que las probabilidades del tipo P(A/D
i
) sern
Y X
X
D A P
Y X
X
D A P
Y X
X
D A P D A P
+
+
=
+
=
+
= =
1
) / ( y
1
) / ( , ) / ( ) / (
3 2 4 1
Entonces, la probabilidad total de A se puede expresar en trminos de la particin
D
i
.
) ( ) (
) )( (
) (
,
) )( ( ) )( (
1
) )( (
1
) )( (
) ( ) / ( ) (
2
4
1
W Z Y X
XW YZ W Z Y X X
A P
W Z Y X
YW
Y X
X
W Z Y X
YZ
Y X
X
W Z Y X
XW
Y X
X
W Z Y X
XZ
Y X
X
D P D A P A P
x x
x x
i
i i
+ +
+ + +
=
+ + +
+
+ + +
+
+
+
+ + +
+
+ + +
= =
Ejemplo 2.38: Dos jugadores A y B se turnan para lanzar una moneda equilibrada.
A lanza de primero y B lanza despus, y el ciclo se repite hasta que gana el primero
que saque cara. Cul es la probabilidad de ganar de cada uno de los jugadores?.
Sean los eventos A = {gana el jugador A}, B = { gana el jugador B}, A
i
= {gana el
jugador A en su intento i-simo} y B
i
= {gana el jugador B en su intento i-simo}.
El evento A
2
implica que A perdi en su primer intento, B tambin perdi y A gano
en su segundo intento, es decir, en trminos de los eventos que ocurren se puede
escribir que
( ) ( ) ( )
2
1 1 1 1 1 2 2 2 1 1 2
) 5 . 0 )( 5 . 0 ( / / ) ( = = = A P A B P B A A P A P A B A A
Generalizando para el intento i-simo
1,2,... i con ) 5 . 0 ( ) 5 . 0 ( ) (
) 1 ( 2
= =
i
i
A P
El evento A se puede expresar como la unin de los eventos A
i
.
( ) ( ) 667 . 0
25 . 0 1
25 . 0
2 25 . 0 2 ) 5 . 0 ( 2 ) 5 . 0 ( ) 5 . 0 ( ) (
) 5 . 0 ( ) 5 . 0 ( ) ( ) (
1 1
2
1
2 2
1
) 1 ( 2
1 1 1
=
= = = =
= = = =

=
i
i
i
i
i
i
i
i
i
i
i
i
i
i
A P
A P A P A A A
U U
Siguiendo un anlisis paralelo para el evento B, se puede escribir que
1,2,... i con ) 5 . 0 ( ) 5 . 0 ( ) (
1 ) 1 ( 2
= =
+ i
i
B P , luego
( ) ) ( 1 333 . 0
25 . 0 1
25 . 0
) 5 . 0 ( ) 5 . 0 ( ) 5 . 0 ( ) ( ) (
1
2
1
1 ) 1 ( 2
1
A P B P B P
i
i
i
i
i
i
= =
= = = =

=
=
+
2.8) TEOREMA DE BAYES.

Volviendo con el problema de muestreo aleatorio analizado en las dos secciones
anteriores, considere un MSR de tamao 2. La primera pelota escogida se aparta de
la caja sin conocer su color y al sacar la segunda pelota se ve que es roja, entonces
surgen la preguntas De qu color fue la primera pelota?, Cul es la probabilidad
de que esa primera pelota roja tambin haya sido roja?.
En la Seccin 2.6 el inters fue conocer la probabilidad de que la segunda pelota sea
roja dado que la primera pelota fue roja, es decir, P(R
2
/R
1
). En esta seccin se
propone calcular la probabilidad de que la primera pelota fue roja dado que la
segunda es roja, es decir, P(R
1
/R
2
). Note la inversin en el orden de la ocurrencia de
los eventos en las dos situaciones planteadas.
A partir de la definicin de probabilidad condicional se puede escribir que
) (
) ( ) / (
) (
) (
) / (
2
1 1 2
2
2 1
2 1
R P
R P R R P
R P
R R P
R R P =
=
y de esta manera resolver la incgnita que se plante en el prrafo anterior. Este
anlisis se puede generalizar mediante la siguiente definicin.
Definicin 2.24: Sea una particin del espacio muestral en un grupo de eventos B
i
,
con i = 1, ,n. La probabilidad condicional de un evento B
i
dado que ocurri un
evento A se puede expresar como la probabilidad del evento A dado que ocurri ese
elemento de la particin por la relacin de las probabilidades entre B
i
y A,
respectivamente. Esta definicin es lo que se conoce como Teorema de Bayes.

Notas: - La probabilidad condicional de un evento B
i
dado que ocurri el
evento A tambin se denomina probabilidad a posteriori.
- Las probabilidades del evento A dado que ocurri cada elemento
B
i
tambin se denominan probabilidades a priori.
- Para aplicar el Teorema de Bayes se utiliza la ecuacin 2.9.
- El denominador en el trmino a la derecha en la ecuacin 2.9
resulta de considerar la probabilidad total del evento A.
=
= =
n
j
j j
i i i i
i
B P B A P
B P B A P
A P
B P B A P
A B P
1
) ( ) / (
) ( ) / (
) (
) ( ) / (
) / ( (ec. 2.9)
Ejemplo 2.39: Considere las dos cajas con pelotas del Ejemplo 2.33. Se selecciona
al azar una pelota de la caja 1 y se coloca en la caja 2, a continuacin, se escoge una
pelota de la caja 2 y resulta ser blanca, Cul es la probabilidad de que la pelota
seleccionada inicialmente de la caja 1 haya sido blanca?.
B
1
B
2
Entonces la probabilidad solicitada es P(B
1
/ A). Aplicando el teorema de Bayes se
consigue que
( )( )
( )
ZY X XZ
X Z
Y X W Z
ZY X XZ
Y X
X
W Z
Z
A P
B P B A P
A B P
x
+ +
+
=
+ + +
+ +
+ + +
+
= =
1
1
1
1
) (
) ( ) / (
) / (
1 1
1
Ejemplo 2.40: Considere las cajas con transistores del Ejemplo 2.34. Se selecciona
al azar una caja y de ella se selecciona un transistor que resulta estar bueno, Cul
es la probabilidad de que la caja 2 haya sido la seleccionada?.
B = {el transistor escogido est bueno}
C
i
= {escoger la caja i / i = 1, 2, 3, 4}
Entonces la probabilidad solicitada es P(C
2
/ B). Aplicando el teorema de Bayes se
consigue que
1791 . 0
8375 . 0
25 . 0 6 . 0
) (
) ( ) / (
) / (
2 2
2
= = =
x
B P
C P C B P
B C P

Ejemplo 2.41: Considere las fbricas del Ejemplo 2.35. Se colocan juntos todos los
artculos producidos y se selecciona al azar un artculo que resulta estar defectuoso,
Cul es la probabilidad de que ese artculo venga de la fbrica 1?.
D = {el artculo escogido tiene algn defecto}
F
i
= {escoger la fbrica i / i = 1, 2, 3}
Entonces la probabilidad solicitada es P(F
1
/ D). Aplicando el teorema de Bayes se
consigue que
4 . 0
025 . 0
5 . 0 02 . 0
) (
) ( ) / (
) / (
1 1
1
= = =
x
D P
F P F D P
D F P
Ejemplo 2.42: En un examen de seleccin mltiple se podra contestar una

pregunta conociendo la respuesta correcta o escogiendo al azar entre las alternativas
(considere 4 alternativas). Sea p = 0.6, la probabilidad de que el estudiante conozca
la respuesta correcta y (1-p) la probabilidad de responder al azar. Si la respuesta es
correcta, Cul es la probabilidad de que haya respondido al azar?.
A = {contestar correctamente la pregunta}
B
1
= {escoger la respuesta porque se conoce previamente}
B
2
= {escoger la respuesta al azar}
Entonces la probabilidad solicitada es P(B
2
/ A). Aplicando el teorema de Bayes se
consigue que
2 . 0
) 1 ( 25 . 0 1
) 1 ( 25 . 0
) / (
) ( ) / ( ) ( ) / (
) ( ) / (
) (
) ( ) / (
) / (
2
2 2 1 1
2 2 2 2
2
=
+

=
+
= =
p p
p
A B P
B P B A P B P B A P
B P B A P
A P
B P B A P
A B P
x x
x
Esto indica que aproximadamente el 20% de las veces que se responde una pregunta
al azar se adivina la respuesta correcta. Este razonamiento obliga al profesor a tomar
en cuenta algn factor de penalizacin que busque evitar que el estudiante
seleccione las respuestas al azar.
2.9) EVENTOS INDEPENDIENTES.

En las tres secciones anteriores se ha estado analizando el problema del muestreo
aleatorio sin reposicin que llev a la definicin de probabilidad condicional y a las
expresiones de probabilidad total y teorema de Bayes. En esta seccin se tomar en
cuenta el muestreo con reposicin que va a permitir establecer una definicin de
mucha importancia en el anlisis de fenmenos probabilsticos como lo es la
independencia de eventos.
Al considerar el MCR, la primera pelota extrada se devuelve a la caja por lo que el
espacio muestral para la segunda extraccin no cambia lo que implica que la
asignacin de probabilidades no se altera. Por tanto, pensando en la expresin de
probabilidad condicional, se tiene que
) ( ) ( ) ( ) (
) (
) (
) / (
2 1 2 1 2
1
2 1
1 2
R P R P R R P R P
R P
R R P
R R P = =
=
Aqu se puede observar que la ocurrencia del evento R
1
no condiciona la ocurrencia
del evento R
2
y por tanto la expresin de la derecha adquiere validez. Este hecho se
recoge en la siguiente definicin.
Definicin 2.25: Sean dos eventos, A y B, definidos en el espacio muestral S. Si la
probabilidad de la interseccin de los dos eventos es igual al producto de sus
probabilidades entonces, esos dos eventos son independientes.
Nota: - Si dos eventos son independientes entonces se utiliza la

ecuacin 2.10 para calcular la probabilidad de su interseccin.
) ( ) ( ) ( B P A P B A P = (ec. 2.10)
Cuando se requiere verificar la independencia de ms de dos eventos se deben
analizar varios problemas en paralelo como son la independencia dos a dos y, por
ltimo, la independencia de los tres eventos. La siguiente definicin puede
generalizarse para n eventos siguiendo la misma lgica.
Definicin 2.26: Sean tres eventos, A, B y C, definidos en el espacio muestral S.
Estos eventos son independientes siempre y cuando ellos sean independientes
tomados dos a dos y cumplan, adems, con la ecuacin 2.11.
) ( ) ( ) ( ) ( C P B P A P C B A P = (ec. 2.11)
Ejemplo 2.43: Si los eventos A y B son independientes entonces los eventos
complementarios B y A tambin lo son.
Para demostrar esta aseveracin se recurre a la Definicin 2.1.11 (primera ley de De
Morgan) y al axioma 3 para escribir
( )
( ) ( ) ) ( ) ( ) ( ) ( 1
) ( 1 ) (
B P A P B P A P B A P
B A P B A P B A P B A B A
+ =
= = =
Por otro lado, con base en el Ejemplo 2.18, se pueden expresar P(A) y P(B) como
) ( 1 ) ( y ) ( 1 ) ( B P B P A P A P = = , sustituyendo queda
( ) ( )( ) ( ) ) ( ) ( ) ( 1 ) ( 1 ) ( 1 ) ( 1 1 B P A P B P A P B P A P B A P = + =
En vista de que los eventos complementarios cumplen con la ecuacin 2.10 se
demuestra la veracidad de la aseveracin planteada.
Ejemplo 2.44: Sean los eventos A, B y C tales que P(A) = P(B) = P(C) = 0.2.
Adems se sabe que P(AB) = P(AC) = P(CB) = P(ABC) = 0.04. Estos
eventos son independientes?
Para demostrar la independencia de tres eventos se debe demostrar primero la
independencia de cada dos de ellos y luego verificar que tambin se cumple la
ecuacin 2.11. De los datos se verifica que, tomados dos a dos, los eventos son
independientes, pero al verificar la ecuacin 2.11 se tiene que
( ) ) ( ) ( ) ( C P B P A P C B A P
Por tanto los eventos A, B y C no son independientes entre s.
Ejemplo 2.45: Sean los eventos independientes A y B tales que P(A) = P(B) = 0.6.
Cul es la probabilidad de la unin de estos eventos?
Del Ejemplo 2.21 y tomando en cuenta que A y B son independientes, se tiene que
( )
( ) 84 . 0 6 . 0 6 . 0 6 . 0 6 . 0
) ( ) ( ) ( ) ( ) ( ) ( ) (
= + =
+ = + =
x B A P
B P A P B P A P B A P B P A P B A P
Ejemplo 2.46: Considere una caja con R pelotas rojas y A pelotas amarillas. Se va
a realizar un MCR de tamao 2 y sean los eventos R
1
y R
2
, Cul es la probabilidad
de la unin de estos eventos?
Del Ejemplo 2.21 y tomando en cuenta que R
1
y R
2
son eventos independientes
como consecuencia del MCR, se tiene que
( )
( )
|
.
|
\
|
+
+
=
+ +
+
+
+
=
+ = + =
A R
R
A R
R
A R
R
A R
R
A R
R
A R
R
R R P
R P R P R P R P R R P R P R P R R P
x 2
) ( ) ( ) ( ) ( ) ( ) ( ) (
2 1
2 1 2 1 2 1 2 1 2 1

Ejemplo 2.47: Se lanza una moneda honesta dos vez, Cul es la probabilidad de
obtener dos caras?.
Sean los eventos A={obtener dos caras} y B
i
={obtener cara en el intento i / i = 1,2}.
Entonces, P(B
1
) = P(B
2
) = 0.5. Por otro lado, el evento A puede expresarse como la
interseccin de los eventos B
i
que son independientes, es decir
( ) 25 . 0 5 . 0 ) ( ) ( ) (
2
2 1 2 1
= = = = B P B P B B P A P
Ejemplo 2.48: Se tienen dos monedas cargadas. La primera tiene probabilidad 0.4
de caer cara y la segunda 0.6. Un jugador escoge al azar una de las monedas y la
lanza dos vez, Cul es la probabilidad de obtener dos caras?.
Sean los eventos A = {obtener dos caras} y B
i
= {escoger la moneda i / i = 1, 2}.
Entonces, P(B
1
) = P(B
2
) = 0.5. Por otro lado, el evento A puede expresarse como la
interseccin de dos eventos que son independientes, es decir
A = {primer lanzamiento salga cara}{segundo lanzamiento salga cara}, entonces
( ) 26 . 0 ) 6 . 0 4 . 0 ( 5 . 0 ) ( ) / ( ) ( ) / (
2 2
2 2 1 1
= + = + = B P B A P B P B A P A P
Ejemplo 2.49: Dos elementos conectados en serie en un circuito elctrico tienen

probabilidad de no fallar igual a 0.4 y 0.7. Si se considera la falla de estos elementos
como eventos independientes, Cul es la probabilidad de que el sistema falle (se
considera que el sistema falla si al menos un elemento falla)?.
Sean los eventos A = {que el sistema falle} y B
i
= {el elemento i no falla / i = 1, 2}.
Entonces, P(B
1
) = 0.4 y P(B
2
) = 0.7.
( ) 72 . 0 7 . 0 4 . 0 1 ) ( ) ( 1 ) ( 1 ) ( 1
2 1 2 1
= = = = = x B P B P B B P A P A P
Otra manera de analizar el ejemplo es la siguiente
( )
( ) ( ) 72 . 0 18 . 0 3 . 0 6 . 0 ) 7 . 0 1 ( 4 . 0 1 ) 7 . 0 1 ( 4 . 0 1 ) (
) ( ) ( ) ( ) ( ) ( ) ( ) ( ) (
2 1 2 1 2 1 2 1 2 1
= + = + =
+ = + = =
x A P
B P B P B P B P B B P B P B P B B P A P
Ejemplo 2.50: En el circuito de la Figura 2.9 se muestra un grupo de 3

interruptores (I
1
, I
2
, I
3
) que abren y cierran en forma aleatoria e independiente. La
probabilidad de cada interruptor de estar cerrado en algn instante dado es p. Cul
es la probabilidad de que en un instante dado exista al menos un camino sin
interrupcin entre los puntos A y B?.
I
1
I
2
A B
I
3
Figura 2.9: Red de Interruptores del Ejemplo 2.50
Sean los eventos I
i
= {el interruptor i est cerrado / i=1,2,3} y AB = {existe
comunicacin directa entre A y B}. Entonces, P(I
1
) = P(I
2
) = P(I
3
) = p. Para que
exista comunicacin entre A y B tienen que estar cerrados el camino superior
( ( )
s
AB ) o el camino inferior ( ( )
i
AB ) o ambos, por lo que
( ) ( ) ( ) ( ) ( ) ( ) ( )
( )
( )
( ) ( ) ( ) ( )
( ) ) 1 (
) ( ) ( ) (
) ( ) (
) ( ) ( ) (
) ( ) ( ) ( ) (
2 3 2
3
3
2
2 1
p p p p p p AB P
p AB P AB P AB AB P
p I P AB P
p I P I P AB P
AB AB P AB P AB P AB AB P AB P
i s i s
i
s
i s i s i s
+ = + =
= =
= =
= =
+ = =
Otra manera de analizar el ejemplo es considerando el evento complementario AB .
( ) ( ) ( ) ( ) ( )
( ) ( )
( )
( ) ) 1 ( ) 1 )( 1 ( 1
1 ) (
1 ) ( 1 ) (
) ( ) ( 1 ) ( 1 ) ( 1
2 2
2
p p p p p AB P
p AB P
p AB P AB P
AB P AB P AB AB P AB P AB P
i
s s
i s i s
+ = =
=
= =
= = =
2.10) EXPERIMENTOS COMPUESTOS.

Por experimentos compuestos se conocer a aquellas situaciones que impliquen la
realizacin de un experimento aleatorio simple que se repite varias veces. La
repeticin del experimento sencillo tiene dos maneras de verlo. En la primera de
ellas, el espacio muestral para cada repeticin no cambia; esto hace que el
experimento compuesto se vea como un muestreo con reposicin. En el segundo
caso, el espacio muestral para cada repeticin es cambiante y depende de lo
sucedido en los experimentos anteriores; es lo que ya se conoci como muestreo sin
reposicin. Este tipo de experimento se ver como una generalizacin de los dos
tipos de muestreo explicados previamente.
En cualquier circunstancia el experimento compuesto puede verse como un
experimento aleatorio cuyo espacio muestral resulta del producto cartesiano
(Definicin 2.1.10 del Apndice 2.2) de los espacio muestrales de cada uno de los
experimentos simples que lo componen.
Los ejemplos siguientes permiten entender la metodologa que se sigue para analizar
estos experimentos compuestos.
Ejemplo 2.51: Jorge y Mara deciden encontrarse en un concurrido Centro
Comercial para ir a almorzar. Acuerdan conseguirse entre las 12 m y las 12:30 p.m..
Ya que ambos se reconocen poco puntuales tomaran la siguiente precaucin:
ninguno esperar ms de 10 minutos por el otro. Cul es la probabilidad de poder
almorzar juntos?. Si se consiguen para almorzar, Cul es la probabilidad de que
Jorge haya llegado antes que Mara?.
Antes de definir los eventos involucrados se deben incorporar al enunciado dos
informaciones importantes para la solucin del problema. Las dos personas llegan al
sitio previsto en un instante al azar dentro del intervalo mencionado y en forma
independiente.
Sean los eventos J = {instante de llegada de Jorge} y M = {instante de llegada de
Mara}. En la Figura 2.10 se muestran ejes cartesianos que representan el instante
de llegada de Jorge (eje horizontal) y el instante de llegada de Mara (eje vertical).
La recta y = x indica que ambos llegan en el mismo instante mientras que la regin
en el tringulo inferior ms oscuro indica que Jorge lleg despus que Mara.
Para encontrarse debe ocurrir uno de dos eventos, Jorge est en el Centro Comercial
y Mara llega antes de que l se vaya o Mara est en el Centro Comercial y llega
Jorge antes de que ella se vaya. Recuerde que cada uno de ellos esperar slo 10
minutos y luego se va a almorzar sin el otro.
Y
12:30 pm
M
12 m J 12:30 pm X
Figura 2.10: Espacio Muestral para el Experimento Compuesto del Ejemplo 2.51
Estas dos situaciones se pueden expresar como los eventos E
1
={J M J+10}y
E
2
={M J M+10} (la unidad de medida en minutos) que se muestran como las
figuras en blanco en la Figura 2.11. Note que los eventos E
1
y E
2
son mutuamente
excluyentes.
E
1
={J M J+10}
M
30
E
2
={M J M+10}
0 30 J
Figura 2.11: Evento Favorable en el Experimento del Ejemplo 2.51
Luego
( ) 556 . 0
30
2
20 20
2 1 ) ( ) ( ) (
2
2 1 2 1
= = + = =
x
E P E P E E P e Encontrars P
Por otro lado, la probabilidad de que Jorge haya llegado antes que Mara dado que
se encuentran ser
6994 . 0
556 . 0
)
9
2
1 ( 5 . 0
) (
) (
) / (
2 1
1
2 1
=
=
E E P
E P
E E M J P
Ejemplo 2.52: Se lanza un dado dos veces como en el Ejemplo 2.5. Cul es la
probabilidad de que la suma de los resultados sea mayor o igual a 9?.
El espacio muestral del experimento puede expresarse como el producto cartesiano
del espacio del Ejemplo 2.3 por si mismo como consecuencia de considerar que el
resultado del primer lanzamiento no tiene nada que ver con el del segundo
lanzamiento o que los dos lanzamientos son independientes entre s.
Sean los eventos D
1
= {valor del dado en el primer lanzamiento} y D
2
= {valor del
dado en el segundo lanzamiento}. En la Figura 2.12 se muestran ejes cartesianos
que representan al resultado D
1
(eje horizontal) y al resultado D
2
(eje vertical). Los
puntos marcados con x son los que corresponden al evento A ={la suma de los
resultados es mayor o igual a 9}.
D
2
6 x x x x
5 x x x
4 x x
3 x
2
1
1 2 3 4 5 6 D
1
Figura 2.12: Espacio Muestral para el Experimento Compuesto del Ejemplo 2.52
El evento A se cumple de N
A
= 10 formas distintas y el espacio muestral de N
S
= 36
formas distintas, como se ve en la Figura 2.12. Luego
278 . 0
36
10
) ( = = =
S
A
N
N
A P
2.11) PRUEBAS DE BERNOULLI.

Considere el experimento aleatorio de lanzar una moneda con los resultados cara y sello
como los elementos de su espacio muestral. Este tipo de experimento se puede generalizar
al considerar que los dos eventos del espacio muestral pueden expresarse como xito y
fracaso, s y no, ocurri y no ocurri, etc. La definicin siguiente permite la generalizacin
requerida.
Definicin 2.27: A un experimento aleatorio cuyo espacio muestral se puede
expresar en trminos de la ocurrencia o no de un evento A se le conoce como
Prueba de Bernoulli.
Notas: - La probabilidad de que ocurra el evento A se denota por p.

- La probabilidad de que no ocurra el evento A se denota
por q=1-p.
- La probabilidad p es el parmetro importante para
conocer una Prueba de Bernoulli.
- El evento A y su complemento conforman una particin
del espacio muestral.
- La Prueba de Bernoulli se denota como B(p).
- La ecuacin 2.12 permite calcular las probabilidades en
una Prueba de Bernoulli.
( ) | |
=
A ocurre no si 1
A ocurre si
p
p
p B P (ec. 2.12)
Ejemplo 2.53: Considere el ejemplo de extraer una pelota de una caja con R
pelotas rojas y V pelotas verdes. Sea el evento A = {extraer una pelota roja}. Este
experimento aleatorio es una Prueba de Bernoulli donde el valor de p es
V R
R
+
.
Ejemplo 2.54: Considere el ejemplo de lanzar un dado. Sea el evento A = {que

ocurra un nmero mayor que 4}. Este experimento aleatorio es una Prueba de
Bernoulli donde el valor de p es
3
1
.
La repeticin de una Prueba de Bernoulli es la base de experimentos aleatorios ms

complejos que permiten analizar ciertas situaciones aleatorias de gran aplicacin
prctica. Es conveniente aclarar el significado de la repeticin de una Prueba de
Bernoulli. La repeticin se fundamenta en que las condiciones para realizar el
experimento no se alteran de una prueba a otra; el espacio muestral no cambia por lo
que la probabilidad del evento A, valor p, no cambia. Las definiciones siguientes
estn relacionadas con el concepto de repetir una Prueba de Bernoulli.
Definicin 2.28: Sea un experimento aleatorio que consiste en la repeticin de
Pruebas de Bernoulli con parmetro p. Esta repeticin se realizar hasta que se
consiga que ocurre el evento A por primera vez. A este tipo de experimento se le
conoce como Experimento Geomtrico.
Notas: - El nmero de repeticiones hasta conseguir que ocurra el

evento A es un valor aleatorio.
- El menor nmero de Pruebas de Bernoulli que se puede
hacer para un experimento Geomtrico es 1.
- El mayor nmero de Pruebas de Bernoulli que se puede
hacer para un experimento Geomtrico es .
- El experimento Geomtrico se denota como G(p).
- La ecuacin 2.13 permite calcular las probabilidades en un
experimento Geomtrico.
( ) | | ( )
1,2,...) (k A evento el ocurra que hasta
Bernoulli de pruebas k realizar necesario es si 1
1
=
= =

p p k p G P
k
(ec. 2.13)
Definicin 2.29: Sea un experimento aleatorio que consiste en repetir n veces una
Prueba de Bernoulli con parmetro p. Sea k el nmero de veces que ocurre el evento
A en esas n pruebas entonces el experimento resultante se conoce como
Experimento Binomial.
Notas: - El valor de k, nmero de veces que ocurre el evento A en

las n repeticiones, es un valor aleatorio.
- El menor valor de k en un experimento Binomial es cero.
- El mayor valor de k en un experimento Binomial es n.
- El experimento Binomial se denota como Bi(n,p).
experimento Binomial.
( ) | | ( ) n 2,..., 1, , 0 k 1 , =
|
|
.
|
\
|
= =
k k n
p p
k
n
k p n Bi P (ec. 2.14)
Definicin 2.30: Sea un experimento Binomial con parmetros n y p. Considere
que el nmero de Pruebas de Bernoulli es muy grande, (n), y que la
probabilidad del evento A es muy pequea, (p0), pero son tales que el producto
np tiende a un valor finito entonces el experimento Binomial resultante se puede
expresar como un Experimento Poisson.
Notas: - El valor de k, nmero de veces que ocurre el evento A en

las n repeticiones, es un valor aleatorio.
- El menor valor de k en un experimento Poisson es cero.
- El mayor valor de k en un experimento Poisson es .
- El experimento Poisson se denota como P(m).
- El valor de m es igual a np.
experimento Poisson.
- El ejemplo 2.55 aclara como se llega a la ecuacin 2.15.
( ) | | 2,... 1, , 0 k
!
= = =

k
e m
k m P P
m k
(ec. 2.15)
Ejemplo 2.55: Considere un experimento Binomial con parmetros n y p. Entonces
( ) | | ( )
( )
( )
( ) | |
( ) | | | | k m P P e
k
m
n
m
k
m
lim k n m p n Bi P lim
np m
n
m
n
m
n
k
n n k
m
k n m p n Bi P
p p
k n k
n
p p
k
n
k p n Bi P
m
k
n
k
n n
k n
k
k k n k k n
= = =
(
= = =
=
(
|
.
|
\
|
|
.
|
\
|
|
.
|
\
|
= = =
=
=
|
|
.
|
\
|
= =

) (
!
1
!
/ ,
queda constante, sea que forma tal de infinito, a n tiende cuando lmite el tomar al
1 1
1
1 ...
2
1
1
1 1
!
/ ,
obtiene se n y m de s en trmino odo expresar t para m/n p sustituye se si
1
! !
!
1 ,
Ejemplo 2.56: Un estudiante tiene probabilidad de 0.4 de aprobar una asignatura.

Si reprueba la asignatura debe repetir el curso el siguiente semestre hasta que lo
apruebe. Si se considera que la probabilidad de aprobar el curso no cambia semestre
tras semestre entonces se tiene un experimento Geomtrico. Las probabilidades de
aprobar la asignatura en la primera, segunda y tercera oportunidad que la curse
sern, respectivamente
( ) | | ( ) ( )
( ) | | ( ) ( ) ( )( )
( ) | | ( ) ( ) ( ) ( ) 144 . 0 .4 0 6 . 0 .4 0 4 . 0 1 3 4 . 0
24 . 0 .4 0 6 . 0 .4 0 4 . 0 1 2 4 . 0
4 . 0 .4 0 4 . 0 1 1 4 . 0
2 1 3
1 2
1 1
= = = =
= = = =
= = =
G P
G P
G P
Ejemplo 2.57: En una carrera a campo traviesa compiten 6 atletas. Cada

competidor tiene probabilidad de 0.7 de culminar la carrera. La probabilidad de que
culminen la carrera por lo menos 5 atletas se calcula con base en un experimento
Binomial.
Para conseguir la probabilidad solicitada se deben conocer las probabilidades de que
culminen 5 6 atletas, es decir
( ) | | ( ) ( ) ( ) ( )
( ) | | ( ) ( ) ( )
420175 . 0 117649 . 0 302526 . 0
ser solicitada ad probabilid la entonces
117649 . 0 7 . 0 7 . 0 7 . 0 1
6
6
6 7 . 0 , 6
302526 . 0 7 . 0 3 . 0 6 7 . 0 7 . 0 1
5
6
5 7 . 0 , 6
6 6 6 6
5 5 5 6
= + =
= =
|
|
.
|
\
|
= =
= =
|
|
.
|
\
|
= =
p
Bi P
Bi P x x

Ejemplo 2.58: En el departamento de control de calidad de una empresa se revisan
los posibles defectos de los productos terminados. De la experiencia estadstica se
sabe que la probabilidad de conseguir un defecto en un producto cualquiera es
0.001. Si se van a revisar 4000 productos, Cul es la probabilidad de conseguir a lo
sumo 6 defectuosos?.
La probabilidad solicitada se calcula con base en un experimento Binomial, pero
dado que el nmero de productos es muy grande y la probabilidad de conseguir un
defecto es muy baja, el clculo se puede apoyar en un experimento Poisson.
( ) | | ( ) ( )
( ) | | 889 . 0
!
4
6 4
4 parmetro con Poisson o experiment un mediante n aproximaci la utiliza se
que lo por engorrosos muy son obtener para clculos los que observar puede lector el
001 . 0 001 . 0 1
4000
6 001 . 0 , 4000
6
0
4
6
0
4000
= =
= =
|
|
.
|
\
|
= =
k
k
k
k k
k
e
P P p
np m
p
k
Bi P p
2.12) PROBLEMAS PROPUESTOS.

APNDICE 2.1: RESUMEN DE TEORA DE CONJUNTOS.
Este apndice es un resumen, como su nombre lo indica, de los elementos bsicos
de la teora de conjuntos. Si el lector requiere profundizar ms sobre el tema debe
remitirse a textos escritos para tal efecto.
Definicin 2.1.1: Un conjunto es toda coleccin de objetos.
Definicin 2.1.2: Los objetos que conforman un conjunto se denominan

elementos.
Notas: - A los conjuntos se le conocer con la notacin de las primeras

letras del abecedario en mayscula, es decir, A, B, C,.
- A los elementos de un conjunto se les conocer con la notacin
de letras del abecedario en minscula, es decir, a, b, c,.
Definicin 2.1.3: El conjunto de todos los objetos disponibles se denomina
conjunto universal.
Nota: - Al conjunto universal se le conocer con la notacin U.

Definicin 2.1.4: Para un conjunto dado, todo conjunto que tenga parte de sus
elementos se denomina subconjunto.
Notas: - A es subconjunto de B si se cumple que B A . La ecuacin

anterior se lee A est incluido en B.
- Todo conjunto es subconjunto de U.
Definicin 2.1.5: Dos conjuntos son iguales si tienen los mismos elementos.
Nota: - El conjunto A es igual al conjunto B si se cumple que B A y

A B .
Ejemplo 2.1.1: Considere el conjunto de los nmeros enteros. Normalmente se le
denomina con la letra Z. Entonces, dentro de este ejemplo, el conjunto Z es el
conjunto universal. El conjunto de los nmeros naturales, N, es un subconjunto de
Z. El conjunto de los nmeros enteros mltiplos de 4 es otro subconjunto de Z.
Definicin 2.1.6: Un conjunto es vaco si no tiene elementos.

Nota: - El conjunto vaco se conocer con la notacin .
El conjunto U y diversos conjuntos incluidos el l se pueden representar
grficamente mediante una figura que se denomina Diagrama de Venn. La Figura
2.1.1 representa un diagrama de Venn, all se destaca el conjunto universal U y dos
subconjuntos A y B.
U
A B
Figura 2.1.1: Representacin Grfica de Conjuntos: Diagrama de Venn.
lgebra de Conjuntos.
Definicin 2.1.7: La unin de dos conjuntos A y B es un conjunto C cuyos
elementos pertenecen al conjunto A o pertenecen al conjunto B.
Notas: - La operacin de unin de conjuntos se conocer con la notacin

. Algunos autores usan la notacin + para indicar la unin
de conjuntos, a pesar de que se puede crear confusin con la
operacin suma de nmeros.
- La operacin de unin cumple con las propiedades conmutativa
y asociativa.
Definicin 2.1.8: La interseccin de dos conjuntos A y B es un conjunto C cuyos
elementos pertenecen tanto al conjunto A como al conjunto B.
Notas: - La operacin de interseccin de conjuntos se conocer con la

notacin . Algunos autores usan la notacin . para indicar la
interseccin de conjuntos, a pesar de que se puede crear
confusin con la operacin de multiplicacin de nmeros.
- Si dos conjuntos no tienen elementos comunes su interseccin es
el conjunto vaco.
- La operacin de interseccin cumple con las propiedades
conmutativa y asociativa.
- La operacin de interseccin es distributiva con respecto a la
operacin de unin y viceversa.
Definicin 2.1.9: El complemento de un conjunto A es un conjunto cuyos
elementos no pertenecen al conjunto A.
Notas: - La operacin de complemento de un conjunto se conocer con la

notacin A . Algunos autores usan las notaciones A o A
c
para
indicar el complemento del conjunto A.
- Los conjuntos A y A no tienen elementos comunes.
Definicin 2.1.10: El producto cartesiano de los conjuntos A y B es un conjunto
cuyos elementos son pares ordenados tal que la primera componente pertenece al
conjunto A y la segunda componente al conjunto B.
Notas: - La operacin producto cartesiano de conjuntos se conocer con

la notacin B A x .
- En general, el producto cartesiano de A y B es distinto al
producto cartesiano de B y A. Esto es, A B B A x x
AB
A AB
A
Figura 2.1.2: Diagramas de Venn que Representan Operaciones con Conjuntos.
Definicin 2.1.11: El complemento de la unin de dos conjuntos A y B es el
conjunto que resulta de hacer la interseccin de los complementos de cada conjunto.
Notas: - Esta operacin tambin se conoce como primera ley de De

Morgan.
- La siguiente ecuacin expresa en forma especfica esta
definicin: B A B A =
Definicin 2.1.12: El complemento de la interseccin de dos conjuntos A y B es
el conjunto que resulta de hacer la unin de los complementos de cada conjunto.

Notas: - Esta operacin tambin se conoce como segunda ley de De
Morgan.
- La siguiente ecuacin expresa en forma especfica esta
definicin: B A B A =
Definicin 2.1.13: Un grupo de n conjuntos B
1
, B
2
, B
n
, conforman una particin
del conjunto universal U si cumplen con las caractersticas siguientes:
- U B
n
i
i
=
=
U
1
- ) ,... 2 , 1 , ( todo para n j i j i B B
j i
= =
U
B
2
B
1
B
3
B
i
B
n
Figura 2.1.3: Particin del Conjunto Universal.
APNDICE 2.2: RESUMEN DE TCNICAS DE CONTEO.
Este apndice es un resumen, como su nombre lo indica, de los elementos bsicos
de tcnicas de conteo. Si el lector requiere profundizar ms sobre el tema debe
remitirse a textos escritos para tal efecto.
Estas tcnicas tienen base en dos principios matemticos y lgicos que son el
principio aditivo y el principio multiplicativo que se definen a continuacin.
Definicin 2.2.1: Sean k conjuntos A
1
, A
2
, A
k
, con N
1
, N
2
, N
k
elementos,
respectivamente. Si se desea escoger un nico elemento, el nmero de formas
distintas ser, empleando el principio aditivo,
=
=
k
1 i
i
N
a
N .
Definicin 2.2.2: Sean k conjuntos A

1
, A
2
, A
k
, con N
1
, N
2
, N
k
elementos,
respectivamente. Si se desea escoger un elemento de cada uno de los k conjuntos, el
nmero de grupos distintos que se pueden formar ser, empleando el principio
multiplicativo,
=
=
k
i
m
N
1
i
N .
Ejemplo 2.2.1: Al planificar nuestras vacaciones hemos averiguado que para

realizar el viaje existen 3 lneas de autobuses que podemos tomar si deseamos
realizar el viaje por tierra y existen 4 aerolneas si la intencin es tomar un avin.
Entonces, utilizando el principio aditivo, se disponen de (3 + 4) formas distintas de
poder disfrutar de nuestras merecidas vacaciones.
Ejemplo 2.2.2: Un producto se arma en tres etapas consecutivas. Para realizar la

primera etapa se dispone de 5 lneas de armado mientras que para la segunda y
tercera se dispone de 4 y 6 lneas de armado, respectivamente. Entonces, utilizando
el principio multiplicativo, se puede armar el producto de (5
x
4
x
6) formas distintas.
Ejemplo 2.2.3: Se dispone de 12 personas para ocupar el cargo de Jefe del

departamento de produccin de la empresa. Entre los restantes se escoger al
encargado de la lnea de productos livianos y, posteriormente, al encargado de la
lnea de productos pesados. Para ocupar el primer cargo se dispone de 12 candidatos
pero para ocupar el segundo slo se dispone de 11 candidatos y slo 10 para el
tercer puesto por lo que, empleando el principio multiplicativo, se tienen (12
x
11
x
10)
formas distintas de ocupar los tres cargos.

Ejemplo 2.2.4: Las placas que identifican a los automviles se forman con tres
letras y tres nmeros. Para conocer el nmero total de placas que se podran asignar
se hace uso del principio multiplicativo. Se dispone de 27 letras (incluyendo la ) y
de 10 dgitos.
Entonces, pueden existir (27
x
27
x
27
x
10
x
10
x
10) = 19683000 placas.
Ejemplo 2.2.5: De cuntas maneras diferentes pueden sentarse en una fila tres
hombres y cuatro mujeres si los hombres y las mujeres deben quedar alternados?
Considere los 7 puestos de la fila. Si en la primera posicin se coloca una mujer es
factible colocar hombres y mujeres alternados pero, si en esa primera posicin se
coloca un hombre ser imposible cumplir con el postulado planteado. Para esa
primera posicin, en consecuencia, slo se dispone de las 4 mujeres; para la segunda
slo se dispone de los tres hombres, y as sucesivamente. En conclusin, existen
(4
x
3
x
2
x
1)
x
(3
x
2
x
1) = 4!
x
3! = 24
x
6 = 144 maneras distintas.
Ejemplo 2.2.6: De cuntas maneras diferentes pueden sentarse en una fila tres
hombres y cuatro mujeres si los hombres se sientan juntos?
Considere los 7 puestos de la fila. Si en la primera posicin se coloca un hombre
entonces en la segunda y tercera posiciones tambin se colocarn hombres mientras
que en las posiciones restantes se colocarn las mujeres; esto ocurre de 3!
x
4! = 144
maneras distintas. Ahora bien, los hombres quedaran juntos slo si comienzan a
sentarse desde la primera posicin hasta la quinta posicin (5 maneras distintas). En
conclusin, existen 144
x
5 = 720 maneras distintas.
Definicin 2.2.3: Sea un conjunto A con n elementos claramente distintos. Si se

desea colocar un elemento en cada una de n posiciones, el nmero de formas
distintas define las permutaciones de n elementos, esto es, empleando el principio
multiplicativo,
=
1
0
n
i
(n-i) .
Notas: - A las permutaciones de n elementos se les conocer con la

notacin P
n
.
- A la productoria que aparece en la definicin se le conocer
como n factorial y se denota por n!. Es decir,
P
n
=
=
1
0
n
i
(n-i) = n
x
(n-1)
x
(n-2)
x
x
2
x
1 = n!
Ejemplo 2.2.7: Se dispone de n pelotas para colocarlas en n cajas tal que se
coloque una pelota en cada caja. La Figura 2.2.1 muestra las cajas numeradas de la 1
a la n. Para llenar la primera caja se dispone de la n pelotas; una vez llena esa
primera caja, se dispone de (n-1) pelotas para colocar en la segunda caja. Siguiendo
este procedimiento se puede decir que para llenar la caja que ocupa la posicin i se
disponen de (n-(i-1)) pelotas y, en consecuencia, para llenar la ltima caja slo se
contar con una pelota. Luego las n cajas se podrn llenar de n! formas distintas.

desea colocar un elemento en cada una de r posiciones (r n), el nmero de formas
distintas como se puede realizar esto define las variaciones de n elementos
tomados de r en r, esto es, empleando el principio multiplicativo,
=
1
0
r
i
(n-i) .
Notas: - A las variaciones de n elementos tomados de r en r se les

conocer con la notacin V
n,r
.
- Si los valores de n y r coinciden, las variaciones se reducen al
caso de las permutaciones de la Definicin 2.2.4.
- En la definicin de variaciones tiene importancia la posicin en
que aparecen los elementos en el grupo de r posiciones.
- Si se multiplica y divide la productoria que aparece en la
definicin por (n-r)! se consigue una notacin compacta en
trminos de factoriales. Es decir,
)! (
!
)! (
)! (
1
0
1
0
,
r n
n
(n-i)
r n
r n
(n-i) V
r
i
r
i
r n
= =

=
=
Ejemplo 2.2.8: 15 carros entran en una carrera. De cuntas maneras distintas se
puede premiar a los 3 primeros lugares?.
Para la posicin 1 se dispone de los 15 carros, para la posicin 2 de los 14 restantes
y para la tercera posicin de los 13 restantes, luego hay 15
x
14
x
13 = 2730 formas
distintas. Este nmero es el que corresponde a V
15,3
.
Ejemplo 2.2.9: En el Ejemplo 2.2.4 se consideran las placas de los automviles.

Cuntas placas con las tres letras distintas y los tres nmeros distintos se puede
asignar?.
Para la posicin 1 de la placa se dispone de las 27 letras, para la posicin 2 de 26
letras y para la tercera posicin de los 25 letras restantes, luego hay
27
x
26
x
25=17550 formas distintas de colocar las letras. Este nmero corresponde a
V
27,3
. Por otro lado, para la posicin 4 de la placa se dispone de los 10 nmeros,
para la posicin 5 de 9 nmeros y para la ltima posicin de los 8 nmeros
restantes, luego hay 10
x
9
x
8=720 formas distintas. Este nmero corresponde a V
10,3
.
Ya que tanto las letras como los nmeros deben ser distintos entonces, empleando el
principio multiplicativo, se pueden asignar V
27,3

x
V
10,3
= 12636000 placas.

desea escoger un grupo de r elementos (r n), el nmero de formas distintas como
se puede realizar esto define las combinaciones de n elementos tomados de r en r.
Notas: - A las combinaciones de n elementos tomados de r en r se les

conocer con la notacin C
n,r
.
- En la definicin de combinaciones no importa considerar el
orden en que aparecen los elementos en el grupo. Como
ejemplo, si se van a escoger grupos de dos elementos, los
elementos a y b slo se consideran una vez, en lugar de
considerarlos dos veces como en las variaciones.
- La nota anterior proporciona una informacin interesante: hay
menos combinaciones que variaciones.
- Si se toma una combinacin y se permutan todos los elementos
del grupo se consiguen las variaciones de ese grupo. Es decir,
)! ( !
!
C
,
r n, , ,
r n r
n
P
V
P C V
r
r n
r r n r n
= = =
- Las combinaciones se pueden expresar mediante una notacin
compacta en trminos de nmeros combinatorios. Es decir,
|
|
.
|
\
|
=
=
r
n
r n r
n
)! ( !
!
C
r n,
Definicin 2.2.6: Los nmeros combinatorios, son los coeficientes que resultan
del desarrollo en serie de una suma de dos trminos elevada a la potencia n.
Notas: - A los nmeros combinatorios tambin se les conocer como

coeficientes binomiales.
- La ecuacin 2.2.1 muestra el desarrollo en serie de la suma
indicada. Tambin se conoce como Teorema del Binomio de
Newton.
- El nmero de sumandos en la ecuacin 2.2.1 es (n+1).
- Los coeficientes binomiales tienen simetra respecto a la
posicin intermedia del desarrollo en serie de la Ecuacin 2.2.1
lo que se traduce en la propiedad
|
|
.
|
\
|
=
|
|
.
|
\
|
r n
n
r
n
.
- Otra propiedad interesante de los coeficientes binomiales es la
siguiente
|
|
.
|
\
|
+
|
|
.
|
\
|
=
|
|
.
|
\
|
r
n
r
n
r
n 1
1
1
.
( )

=
|
|
.
|
\
|
= +
n
k
k n k n
y x
k
n
y x
0
) (
(ec. 2.2.1)
Ejemplo 2.2.10: Se dispone de seis banderas de colores distintos para ser utilizadas
en un curso de seales a distancia. Para emitir un mensaje codificado se utilizan tres
banderas. El procedimiento de emisin de mensajes es levantar en alto cada una de
las tres banderas en forma sucesiva. Qu concepto se debe utilizar para ver cuantos
mensajes distintos se pueden enviar, variaciones o combinaciones?.
En el concepto de variaciones es importante considerar el orden en que se escogen
las banderas ya que eso proporciona un sentido (mensaje) distinto. Si fuese el caso
de que se levantan las tres banderas a la vez entonces, el orden en que se toman
desde la mesa pierde importancia y se estara hablando de combinaciones.
Ejemplo 2.2.11: Calcular el valor de los siguientes nmeros combinatorios.

70
1 2 3
5 6 7 2
! 4 ! 3
! 7
2
3
7
2
4
7
3
7
70
1 2 3 4
5 6 7 8
! 4 ! 4
! 8
4
8
3
5
10
)! 2 5 ( ! 2
! 5
2
5
10
2 ! 3
! 3 4 5
! 2 ! 3
! 5
)! 3 5 ( ! 3
! 5
3
5
= = =
|
|
.
|
\
|
=
|
|
.
|
\
|
+
|
|
.
|
\
|
= = = =
|
|
.
|
\
|
|
|
.
|
\
|
= =
=
|
|
.
|
\
|
= = =
=
|
|
.
|
\
|
x x
x x x
x x x
x x x
x x
x
x x
x

Cap 2

Enviado por

Dados do documento

Direitos autorais

Formatos disponíveis

Compartilhar este documento

Compartilhar ou incorporar documento

Opções de compartilhamento

Você considera este documento útil?

Este conteúdo é inapropriado?

Direitos autorais:

Formatos disponíveis

Cap 2

Enviado por

Direitos autorais:

Formatos disponíveis

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Rafael Daz Pgina 2-1 15/10/03

En este captulo se desarrollaran las bases para estudiar estos fenmenos o

Notas: - Al espacio muestral se le conocer con la notacin S. Esta es una

Notas: - Como espacio muestral discreto los posibles resultados pueden

Notas: - Como espacio muestral discreto los posibles resultados pueden

Nota: - En un espacio muestral continuo los posibles resultados pueden

Ejemplo 2.3: En el experimento aleatorio de lanzar un dado los posibles resultados

Ejemplo 2.4: Considere el experimento aleatorio de observar el nmero de

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Ejemplo 2.6: Considere el experimento aleatorio de medir el voltaje entre un cierto

Ejemplo 2.7: Considere el experimento aleatorio de lanzar la jabalina en una

Ejemplo 2.8: Considere el experimento aleatorio de escoger un nmero aleatorio

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - A los eventos se les conocer con la notacin de las primeras

Notas: - El evento complemento de A se conocer con la notacin A .

Notas: - Es de mucho inters expresar el espacio muestral en funcin de

Nota: - Un evento compuesto est conformado de varios eventos

Definicin 2.11: El evento imposible es un evento que no contiene ningn

Notas: - El evento seguro es el espacio muestral S.

Ejemplo 2.10:En el Ejemplo 2.5 se describe el espacio muestral del experimento

Ejemplo 2.11:Sea el experimento aleatorio de lanzar dos monedas. El espacio

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Notas: - Todos los eventos elementales son mutuamente excluyentes.

Notas: - Esta definicin slo busca iniciar la explicacin de lo que se

Notas: - La probabilidad del evento A se define mediante la ecuacin

Notas: - La probabilidad del evento A se define y se calcula mediante la

Notas: - La probabilidad del evento A se define y se calcula mediante la

Ejemplo 2.13:Sea el experimento aleatorio de escoger una carta al azar de un mazo

Ejemplo 2.14:Sea el experimento aleatorio de observar el instante en que ocurre

Ejemplo 2.15:Sea el experimento aleatorio de escoger al azar un punto de

El Ejemplo 2.16 permite introducir un tipo de experimento aleatorio que se utilizar

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

El Ejemplo 2.17 permite, incluso, establecer todo un estudio estadstico de las

Estos axiomas establecen las bases para definir el lgebra de probabilidades y

Ejemplo 2.19: Las probabilidades son nmeros entre cero y uno.

Ejemplo 2.20: La probabilidad del evento imposible es cero.

Ejemplo 2.23: En cierta urbanizacin, el 55% de las familias recibe por

2.5.1) Clculo de Probabilidades en un Espacio Muestral Discreto y Finito.

Ejemplo 2.26: Cul es la probabilidad de que al escoger una placa de un

Ejemplo 2.27: Se dispone de 7 hombres y 10 mujeres para seleccionar un comit

Ejemplo 2.29: Sea el experimento aleatorio de seleccionar al azar un nmero de

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Definicin 2.20: Sea un muestreo aleatorio, es decir, extraccin al azar de pelotas

Notas: - Al muestreo aleatorio con reposicin se le denotar como MCR.

Notas: - El cambio en el espacio muestral provoca un cambio en el valor

Notas: - El evento (A/B) tambin se puede expresar como A dado que B

2.7) PROBABILIDAD TOTAL.

Notas: - La Definicin 2.1.13 del Apndice 2.1 indica las propiedades

Ejemplo 2.34: Una caja contiene 2000 transistores de los cuales el 5% es

Ejemplo 2.35: Un artculo es manufacturado por tres fbricas. Se sabe que la

2.8) TEOREMA DE BAYES.

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Ejemplo 2.42: En un examen de seleccin mltiple se podra contestar una

2.9) EVENTOS INDEPENDIENTES.

Nota: - Si dos eventos son independientes entonces se utiliza la

Introduccin a la Probabilidad, los Procesos Estocsticos y la Estadstica en Ingeniera

Ejemplo 2.49: Dos elementos conectados en serie en un circuito elctrico tienen

Ejemplo 2.50: En el circuito de la Figura 2.9 se muestra un grupo de 3

2.10) EXPERIMENTOS COMPUESTOS.

2.11) PRUEBAS DE BERNOULLI.

Notas: - La probabilidad de que ocurra el evento A se denota por p.

Ejemplo 2.54: Considere el ejemplo de lanzar un dado. Sea el evento A = {que