UNIVERSIDAD DE GUAYAQUIL

FACULTAD DE FILOSOFIA, LETRAS Y CIENCIAS DE

LA EDUCACIN
INVESTIGACION DE:

ESTADSTICA.
TEMA:

INTRODUCCIN A LA
PROBABILIDAD.
DOCENTE TUTOR:
Ing. Jorge Pantusin, Msc.

CUARTO CURSO FSICO

MATEMTICO.
MODALIDAD SEMI PRESENCIAL.

INTRODUCCION A LA TEORIA DE LAS

PROBABILIDADES
ENFOQUES CONCEPTUALES
En el desarrollo de las probabilidades se han presentado tres enfoques para definir la
probabilidad y determinar los valores:

EL ENFOQUE CLSICO:
Se basa en la suposicin de que cada resultado sea igualmente posible se le determina
Enfoque a priori, porque permite calcular el valor de la probabilidad antes de observar
cualquier evento de la muestra.
Si hay h posibilidades xxx favorables a la ocurrencia de un evento A y n posibilidades de
resultados desfavorables a la ocurrencia de A y todos los resultados son igualmente posibles y
mutuamente excluyentes (no pueden ocurrir al mismo tiempo), entonces la probabilidad de que
ocurra A, viene dado por:

P A

h
hn

EJEMPLO:

a. Si tenemos una tmbola con 15 balotas rojas y 10 blancas. La probabilidad

de sacar una balota blanca en un evento es:

P A

h
10
10

0.40 40%
hn
10 15
25

ENFOQUE DE FRECUENCIA RELATIVA

Denominado tambin Enfoque Emprico, se basa en determinar la

probabilidad sobre la perspectiva de la proporcin de veces que ocurre un
evento favorable en un numero favorable de observaciones y en la recopilacin
de datos.

EJEMPLO:
Se ha observado que 12 de cada 50 motociclistas que pasan por una
determinada va no llevan puesto el casco; si un guardia de Transito se para
en la va Cul es la posibilidad de que detenga a un para hacerle un parte
por esta infraccin de no llevar puesto el casco?.

P A

h
12

0.24 24%
hn
50

EL ENFOQUE SUBJETIVO
Establece la probabilidad de ocurrencia de un evento, es el grado de creencia
por parte de que un evento ocurra, basado en toda la evidencia a su
disposicin. Bajo esta premisa se puede decir, que el evento ocurrir o no
ocurrir esta sola vez. El valor de probabilidad bajo este enfoque es un juicio
personal.

CONCEPTO DE PROBABILIDAD
Se define como calculo de probabilidad al conjunto de reglas que permiten
determinar si un fenmeno ha de producirse fundado en la suposicin en el
calculo, las estadsticas y la teora.

EL VALOR DE LA PROBABILIDAD
El valor mas pequeo que puede tener la probabilidad de ocurrencia de un
evento, es igual a 0, el cual indica que el evento es imposible y el valor
mayor es 1, que indica que el evento ocurrir con certeza.
Ahora, si P(A) es la probabilidad de ocurrencia de un evento A y P(A) la
probabilidad de no ocurrencia de A, se tiene que:

0 P ( A) 1
P A P ( A) 1

INTRODUCCION A LA TEORIA DE LAS

PROBABILIDADES
SUCESOS MUTUAMENTE EXCLUYENTES
Se dice que dos o ms sucesos son mutuamente excluyentes cuando
solamente la ocurrencia de uno de ellos se puede dar en un solo
ensayo.

Supongamos la posibilidad de n sucesos mutuamente excluyente con

probabilidades respectivas de P1, P2, P3, P4, , Pn, por lo tanto, la probabilidad
de que estos sucesos se presenten en un solo ensayo viene dado por:

P P1 P2 P3 ... Pn

EJEMPLOS:
a. Cul es la probabilidad de obtener un AS o un caballo, sacando una
sola carta en un baraja espaola de 40 cartas?

P A

4
1

40
10

P A O C PA PC

P C

4
1

40
10

1
1
2
1

10
10
10
5

b. La probabilidad de obtener un as o un tres en el lanzamiento de un dado

P AS

P AS O

1
6

P T

PAS PT

1
6

1
1
2
1

6
6
6
3

SUCESOS COMPATIBLES
Dos sucesos son compatibles cuando la posibilidad de ocurrencia de uno no
impide la ocurrencia del otro. La probabilidad de uno de los eventos se calcula
mediante la frmula:

P AUB P( A ) P( C ) P AB
En Teora de Conjuntos se puede ilustrar en Diagrama de Venn de la siguiente
forma:

EJEMPLOS:
1. Se extrae una carta de una baraja espaola de 40 cartas. Hallar la
probabilidad de la carta extrada sea AS o copas.

P A

4
40

P B

10
40

P AB

1
40

P AUB P( A ) P( B ) P AB

4
40

10
40

1
40

13
0.325 32.50%
40

2.

Al lanzar un dado, usted apuesta $ 5.000 a que el numero obtenido

debe ser par o divisible por 3. Cul es la probabilidad de que usted
gane la apuesta?

A 2, 4, 6
3
1

6
2

P A

B 3, 6
P B

2
1

6
3

A B 6
P AB

1
6

P AUB P( A ) P( B ) P AB

3
6

2
6

1
6

4
2

0.6667 66.67%
6
3

SUCESOS INDEPENDIENTES
Se dice que dos sucesos son independientes cuando la probabilidad de
ocurrencia de una no afecta la probabilidad de ocurrencia de los otros, por lo
tanto, se debe efectuar la multiplicacin de la probabilidad de cada suceso.

P P1 x P2 x P3 x...x Pn

Ley de la multiplicacin

EJEMPLOS:
1. Cul es la probabilidad de sacar dos caballos, tomando una carta de
una baraja y la otra de una segunda baraja?
P C

4
40

P P1 x P2

4
4
16
1
x

40
40
1600
100

2. Al lanzar dos dados, Cul es la probabilidad de sacar decenas.

P1

1
6

(Sacar un seis en el primer dado)

P2

1
6

(Sacar un seis en el segundo dado)

P P1 x P2

1
1
1
x

6
6
36

ACLARACIN:
DIFERENCIAS ENTRE SUCESOS MUTUAMENTE EXCLUYENTES
Y SUCESOS INDEPENDIENTES
SUCESOS MUTUAMENTE
EXCLUYENTES

SUCESOS INDEPENDIENTES

Se cuenta con un solo dado o

baraja.
Se extrae una carta y se observa
una sola cara.
En la redaccin se utiliza la
disyuncin O

P AUB P( A) P( C ) P AB

Se cuenta con ms de dos

dados o barajas.
Se espera la ocurrencia de ms
de dos sucesos.
En la redaccin se utiliza la
conjuncin Y.

P P1 x P2 x P3 x...x Pn

SUCESOS DEPENDIENTES
Dos o ms sucesos son dependientes o compuestos, si la ocurrencia o no
ocurrencia de un evento afecta la probabilidad de otros. La probabilidad de
sucesos dependientes se calcula mediante la frmula:

P P1 x P2 x P3 x...x Pn
EJEMPLOS:
1. Determinar la probabilidad de obtener 3 Jotas, sacando sucesivamente 3
cartas de una baraja espaola, sin reposicin en el mont.
P1

1
40

P2

3
39

P3

2
38

P P1 x P2 x P3

1
2
3
1
x
x

40
39
38
520

2. Calcule la probabilidad de obtener un As, una Jota y un Rey, sacando

sucesivamente 3 cartas, sin reposicin de una baraja espaola.
P1

4
40

P2

4
39

P P1 x P2 x P3

P3

4
38

4
4
4
64
x
x

40
39
38
59280

TCNICAS DE CONTEO
Son mecanismos utilizados para obtener de manera precisa y rpida, el
nmero de ocurrencias posibles de un evento. Entre estos mecanismos estn:

La ley de la multiplicacin.

El diagrama del rbol.

Las permutaciones.

Las combinaciones.

Formula del exponente.

FORMULA DE LA MULTIPLICACIN
Mtodo que consiste en descomponer un experimento en otros simples y
multiplicar el nmero de posibilidades de cada uno de stos para calcular las
posibilidades totales.
EJEMPLO
1. Martha tiene en su maleta de viaje 3 blusas de colores: blanco, azul y
amarillo; y 4 faldas de colores: verde, rosado, beige y negra. De
cuantas maneras diferentes puede hacerlo?.
Martha tiene:

3 opciones de escoger blusas

4 opciones de escoger faldas

Aplicando la tcnica de la multiplicacin se tendrn las siguientes posibilidades:

3 x 4 = 12
Alternativas posibles:

BLUSA BLANCA

FALDA VERDE
FALDA ROSADA
FALDA BEIGE
FALDA NEGRA

BLUSA AZUL

FALDA VERDE
FALDA ROSADA
FALDA BEIGE
FALDA NEGRA

BLUSA AMARILLA

FALDA VERDE
FALDA ROSADA
FALDA BEIGE
FALDA NEGRA

DIAGRAMA DEL RBOL

Es un mtodo grfico para mostrar la secuencia o posibilidades que puede

ocurrir un evento, contando las ramas finales.
EJEMPLO:
1. Al lanzar 3 monedas o lanzar tres veces una moneda.
PRIMER
LANZAMIENTO

SEGUNDO
LANZAMIENTO

C
C
S
C
S
S

TERCER
LANZAMIENTO

RESULTADOS

C
S
C
S
C
S
C
S

CCC (1)
CCS (2)
CSC (3)
CSS (4)
SCC (5)
SCS (6)
SSC (7)
SSS (8)

2. En una heladera hay 3 clases de jugos, 2 clases de empanadas y 4

clases de dulces. Cul es el nmero de posibilidades que una persona
puede elegir?.

P
M
H

P
G
H

P
C
H

Q
R
S
T
Q
R
S
T
Q
R
S
T
Q
R
S
T
Q
R
S
T
Q
R
S
T

REGLA DEL EXPONENTE

Es un mtodo sencillo para determinar las posibilidades de algunos problemas
de probabilidad.
EJEMPLO
1. Lanzamiento de monedas:
a. Las posibilidades al lanzar una moneda es: cara o sello 2 1= 2
b. Al lanzar 2 monedas, las posibilidades sern: 22 = 4
c. Al lanzar 3 monedas, las posibilidades sern: 23 = 8
d. Al lanzar n monedas, las posibilidades sern: 2n = 2n
2. Lanzamiento de dados.
a. Un solo dado: 61 = 6 casos posibles.
b. Dos dados: 62 = 36 casos posibles.
c. Tres dados: 63 = 216 casos posibles.
d. n dados: 6n casos posibles.
EJEMPLOS:
1. Cuntos billetes debe emitir una lotera si cada uno de ellos tiene 4
cifras?

10 4 10 x10 x10 x10 10.000

2. Cul es la probabilidad de ganar esa lotera?

1
0.0001
10000

3. Cuntas series telefnicas pueden existir en una ciudad si los nmeros

estn compuestos por 7 dgitos?

10 7 10 x10 x10 x10 x10 x10 x10 10.000.000

4. En Colombia, los vehculos particulares llevan en sus placas tres (3)
letras y tres (3) dgitos. Cuntas placas se pueden elaborar?.

(263 )(103 ) (26 x 26 x 26)(10 x10 x10) (17576)(1000) 17.576.000

NOTA: El Parque Automotor Publico de

oficiales es de 2.700.000 de vehculos.

Colombia de acuerdo a registros

PERMUTACIONES
Es un mtodo para ordenar o arreglar la totalidad de los elementos de un
conjunto.
n

Pn n!

Pn n n 1 n 2

FACTORIAL
0! = 0
1! = 1
2! = 2 x 1 = 2
3! = 3 x 2 x 1 = 6
4! = 4 x 3 x 2 x 1 = 24
5! = 5 x 4 x 3 x 2 x 1 = 120

EJEMPLO:
1. Se quiere formar nmeros de 4 dgitos a partir de los nmeros 2, 3, 4 y
5.
n

Pn 4 P4 P4 4! 4 x3 x 2 x1 24

Veamos cuales serian estas cifras:

2345
2354
2435
2453
2534
2543

3245
3254
3425
3452
3523
3532

4235
4253
4325
4352
4523
4532

5234
5243
5324
5342
5423
5432

2. Con las letras A, M, O; Cuntas palabras se pueden formar?

P3 3! 3 x 2 x1 6
AMO
AOM

MAO
MOA

OAM
OMA

PERMUTACIONES CON REPETICIN

Pn r1 :r2 :r3

n!
r1! r2! r3!

Donde: n: Nmero de elementos.

r1, r2, r3: Nmero de repeticiones.
EJEMPLO:
1. Cuntos grupos de 6 letras se pueden formar con las letras CARARE?
Repeticiones:

P6 r : 2 , 2

A: 2 veces
R: 2 veces

r1 = 2
r2 = 2

6!
6 x5 x 4 x3 x 2!

360
2! 2!
2 x1x 2!

2. Cuntas permutaciones se pueden formar con las letras de la palabra

MISSISSIPPI?
Repeticiones:

S: 4 veces
I: 4 veces
P: 2 veces

P11 r: 2 , 4 , 4

r3 = 4
r2 = 4
r1 = 2

11!
34.650
2! 4! 4!

3. a. Cuntas permutaciones se pueden hacer con las letras de la

palabra COOPERADOR?
Repeticiones: O: 3 veces
R: 2 veces

P10 r : 2, 2

r1 = 3
r2 = 2

10!
302.400
3! 2!

n = 10

b.Si se considera que las O deben estar juntas?

P8 r : 2

8!
20.160
2!

4. De cuntas maneras se pueden ordenar en un estante 5 libros de

lgebra y 3 diccionarios con la condicin de que siempre los libros de
algebra estn juntos y los diccionarios tambin?

Es
un
caso
especial de permutaciones.

P5 5! 120

P3 3! 6

Nmero de permutaciones entre grupos: 21 = 2

El nmero total de permutaciones: 120 x 6 x 2 = 1.440

9.1. VARIACIONES
Son permutaciones de algunos elementos de un conjunto. Se simboliza de la
siguiente manera
n
V

V
n
r
n
r
r

Vrn

n!
n r !

elementos tomados de r en r

EJEMPLOS

Permutaciones o variaciones en n

1. Se tienen los nmeros naturales 1, 2, 3 y 4. Cuntos nmeros de tres

dgitos se pueden formar?
123
132
124
142
134
143

Vrn

213
231
214
241
234
243

312
321
314
341
334
343

n!
V34
n r !

412
421
413
431
423
432

4!
4!

24
4 3 ! 1!

2. Cuntas cifras de 4 dgitos se pueden formar con los nmeros del 0 al

9, usndolos una sola vez?

V410

10!
10 x9 x8 x 7 x 6!

5.040
10 4 !
6!

3. Si un estudiante tiene 9 libros y desea ordenar a 5 de ellos sobre un

estante. De cuntas maneras distintas puede hacerlo?

V59

4.

9!
9 x8 x7 x 6 x5 x 4!

15.120
9 5 !
4!

Cuntas seales diferentes se pueden formar con 10 banderas

distintas, levantando al menos 3 y no ms de 6 banderas en una de un
mstil?

V310 V410 V510 V610

10! 10! 10! 10!

187.200
7!
6!
5!
4!

5. De cuantas maneras diferentes se pueden contestar un examen de 5

preguntas, si hay que responder a 3 de ellas?

V35

5! 5 x 4 x3 x 2!

60
2!
2!

COMBINACIONES
Son arreglos de los elementos de un conjunto sin importar el orden en que se
dispongan.

Cr

n!
n r ! r!

EJEMPLOS
1. Cuntas comisiones de 3 personas se pueden formar seleccionndolas
de entre 10 personas?

n 10

10

C3

r 3

10!
10!
10 x9 x8 x 7!

120
10 3 ! 3!
7! 3!
7! 3 x 2

2. Cuntos comits diferentes pueden seleccionarse entre 7 hombres y 4

mujeres, si deben constituirse de:
a. 3 hombres y 2 mujeres.

7

3

7

3

7!
7 3 !3!

7! 4!
4!

4 2 ! 2! 4!3! 2!2!

7 x 6 x5 x 4! 4 x3 x 2!
35 6 210

4! 3 x 2
2! 2!

b. 5 personas de
las cuales por lo menos tres deben ser hombres.

 7

3

4
7

2
4

7 x 6 x5 x 4! 4!
4
7
7 x 6 x5!
210

3! 4! 3! 1!
2 x5!
1
5

210 35 4 21 210 140 21 371

3. Es necesario elegir un comit de 10 personas entre 6 abogados, 8

economistas y 5 ingenieros. Si el comit debe estar integrado por 4
abogados, 3 economistas y 3 ingenieros.
6

6! 8! 5!
6 x5 x 4! 8 x 7 x 6 x5! 5 x 4 x3!

2! 4! 5! 3! 2! 3!
5! 2 x3 2 x3!
2 x 4!

15 56 10 8.400
4. a. Cuntas comisiones de 3 personas
seleccionndolas de entre 10 personas?

10

C3

se

pueden

formar

10!
10!
10 x9 x8 x 7!

120
10 3 ! 3! 7! 3!
7! 3 x 2

b. 6 de 7 personas entre 10?

10

C7

10!
10!
10 x9 x8 x 7!

120
10 7 ! 7! 3! 7!
3 x 2 x 7!

C310 C710

Se puede concluir que

5. Demostrar que

C rn
Como

Crn Cnn r

n!
n r ! r!

Igualamos y obtenemos:

Cnn r
y

n!
n n r ! n r !

n!

n r ! r!

n!
n n r !n r !

n!
n!

n r ! r! r! n r !
6. Una caja contiene 7 fichas rojas, 6 blancas y 4 azules. Cuntos grupos
de 3 fichas se pueden formar, si:

a. Las 3 deben ser rojas?

7
7!

35
7 3 !3!
3
7
6 Fichas blancas
4 Fichas azules

Fichas rojas

b. Ninguna puede ser roja?

6!
6!
4!

3! 3! 4 ! 0!
4! 2!

6! 4!

4!
6! 4!

3!1!
5! 1! 2! 2!
6 ! 0! 1! 3!

6 x5 x 4 x3! 1
6 x5 x 4! 4 x3!
6 x5! 4 x3 x 2!
1 4 x3!

3! 3 x 2
1x 3!

4! 2 x1 3! x1
5! x1 2! x 2 x1

20 1 15 4 6 6 1 4 20 60 36 4 120

7. Un examen consta de 4 preguntas, se debe dar respuesta solo a 3 de

las preguntas, Cuntos exmenes de diferente contenido habr que
corregir como mximo?

C34

4!

4 x3!

4
4 3 ! 3! 1!3!
3!

Formemos las posibilidades: (1, 2, 3), (1, 2, 4), (1, 3, 4), (2, 3, 4).

8. De una bolsa que contiene 7 bolas negras y 5 blancas. Cuntos

conjuntos de bolas pueden extraerse, si se desea que 3 de ellas sean
negras y 2 blancas?

7! 5!

4! 3! 3! 2!

C37 xC25

7 x 6 x5 x 4! 5 x 4 x3!
4! x3 x 2 3! x 2

3510 350

9. Cuntos grupos diferentes pueden formarse de entre 5 nias morenas

y 7 rubias, si de desea incluir
a. Exactamente 2 morenas?
5

5!
7!
5 x 4 x3! 1

10
3! 2! 0 ! 7!
3! x 2

b. A lo ms morenas?
5

5!
5!
7!

5! 0! 7 ! 0!
4! 1!

7!
5! 7!

7! 0!
3! 2! 7! 0!

5 x 4 x3!
1 5 10 16
3! x 2

11 51

PROBABILIDAD CONDICIONAL, BAYES,

INDEPENDENCIA
PROBABILIDAD CONDICIONAL:
DEF:
Sea E un evento arbitrario de un espacio muestral M con IP(E)>0.
Se define la probabilidad condicional de A dado E (se denota
IP(A/E)), como sigue:

IP( A / E )

IP( A E )
IP( E )

(**)

OBS:
La probabilidad condicional de A dado E (o bien, la IP del suceso A
s ya ha sucedido el suceso E, o bien, la IP del suceso A
condicionado a E), se puede visualizar en un diagrama de Venn
como se aprecia a continuacin:

Nota:
La probabilidad condicional es una probabilidad relativa del suceso
A con relacin al suceso E.
En particular, si M es un espacio finito y A denota la cardinalidad
de un evento A, entonces:

IP ( A / E )
o

IP( A E )

IP A E
IP E

A E
E

cardinalidad de A E
cardinalidad de E

IP( A E )

nmero demanerasenque A y E puedensuceder

nmero demanerasenqueE puedesuceder

Ejercicio:
Si al lanzar un par de dados insesgados se obtiene que la suma es
5, hallar la probabilidad de que uno de los dados sea 2, es decir:
E={ suma es 5}={(1,4),(2,3),(3,2),(4,1)} => E =4 y
A={un dos aparece por lo menos en un dado}={ (2,1) , (2,2), (2,3),
(2,4) , (2,5) , (2,6), (1,2),(3,2),(4,2),(5,2), (6,2)}=> A =11.
Hallar IP(A|E)

Solucin:
E consta de 4 elementos y en 2 de ellos aparece el nmero 2,
entonces pertenece a A:
AE= {(2,3), (3,2)} => AE =2
Entonces
IP(A|E)=2/4= 1/2.

Teorema de la multiplicacin de la probabilidad condicional:

Si despejamos de la ecuacin (**) que define la probabilidad
condicional y usamos el hecho de que AE = EA, obtenemos la
siguiente frmula:

Teorema 1:

IP( E A) IP( E ) IP A E

Obs.
este teorema puede extenderse de la siguiente manera por
induccin matemtica:
Para los eventos A1,A2,.....,An se cumple que
( A1 A 2 A n ) IP( A1 ) IP A2 A1 IP A3 A1 A2 P An A1 A2 An1
Ejercicios resueltos

1. Suponer que se tiene una caja (20 botellas) de Coca-Cola para la

venta, y se sabe que existen 10 que en su tapa traen un premio,
determinar:
a- La probabilidad de que la tercera botella que se venda sea la
primera que tenga su tapa con premio
b- La probabilidad de que la tercera botella sea la segunda
premiada

Solucin:
a

Este experimento ocurre sin devolucin, grficamente sera:

S in p r e m io

S in p r e m io

C o n p re m io

Sean los sucesos:

SP
CP
P1
P2

= Sin Premio
= Con Premio
= La primera premiada
= La segunda premiada

IP(SP SP CP)=IP(CP / SP SP) IP(SP / SP)IP(SP)=

=casos favorables/casos posibles=
=(10910)/(201918)

0.132

13.2%

Tambin para el desarrollo de este ejercicio se pueden hacer uso de

rboles, que indican la condicionalidad en las ramas.
2-b

S in p r e m io

C o n p re m io

C o n p re m io

S in p r e m io

C o n p re m io

IP(sale 2da premiada en la tercera prueba)=IP(P 1 SP P2)+IP(SP P1

P2)
=IP(P1) IP(SP / P1) IP(P2/ P1 SP)+IP(SP) IP(P1/ SP) IP(P2/ SP P1)

=((1010 9)/(20 19 18) )+((10109)/(201918))

26,3%

0,263

(Como ejercicio podra realizarlo usando un rbol).

2- En un costurero se tienen 5 carretes de hilo de los cuales 2 son

de color rojo y 3 son de color negro.
a- Cul es la probabilidad de que al sacar los carretes el tercero
sea el segundo de color negro?
b- Cul es la probabilidad de encontrar el ltimo rojo en la cuarta
extraccin?

Solucin
a- Sean los sucesos:
N
R

= color negro
= color rojo

Existen 2 eventos y la IP(de que al sacar los carretes el tercero sea el

segundo de color negro) es:

IP(1)=IP(NRN) + IP(RNN) = IP(N) IP(R/N) IP(N/NR) +IP(R)

IP(N/R)IP(N/RN) IP(1)=((232)/(543))+((322)/
(543))=0.4=40%
bExisten 3 eventos cuyas probabilidades son
IP (encontrar el ltimo rojo en la cuarta extraccin)=
IP(que el ltimo rojo sea el cuarto)=
IP(RNNR) +IP(NRNR) +IP(NNRR)=
=IP(R)IP(N/R) IP(N/RN) IP(R/RNN) + IP(N) IP(R/N) IP(N/NR)
IP(R/NRN) + IP(N) IP(N/N) IP(R/NN) IP(R/NNR)
=((3221)/(5432))+((2321)/(5432))+((3221)/(5432))

= 0,3=30%

3- En una caja de 100 artculos hay 10 defectuosos se toman al

azar 3 artculos uno tras otro, hallar la probabilidad de que los tres
no sean defectuosos.
Sean los sucesos:
Ai = {el artculo i es bueno}
Bi = {el artculo i es malo}
IP(A1A2A3)= IP(A1) IP(A2/A1) IP(A3/A1A2)
IP(A3|A1 A2)

IP(A2|A1)

bicicleta
IP(A1)0.5

IP(B3|A1 A2)
IP(A3|B1 A1)

IP(B2|A1)

IP(B3|B1 A1)
IP(A3|A2 B1)

IP(A2|B1)

bicicleta
IP(B1)0.5

IP(A3|B2 B1)

IP(B2|B1)

IP(A1)
IP(A2/A1)
IP(A3/A1A2)
IP(A1A2A3)

IP(B3|A2 B1)

IP(B3|B2 B1)

= 90/100
= 89/99
= 88/98
= ((908988)/(1009998))=0,73=73%

Es decir, se debe seguir por el rbol buscando las rutas que correspondan al
problema planteado y multiplicando las probabilidades en cada ruta y como las
rutas son eventos independientes se suman todos los tramos.

TEOREMA DE BAYES Y PARTICIONES

Supongamos que los eventos A1,A2,.....,An forman una particin de
un espacio muestral M; esto es, que los eventos A i son mutuamente
excluyentes (incompatibles) y su unin es M. Sea B otro evento.
Entonces

B M B ( A1 A2 An ) B

( A1 B) ( A2 B)( An B)
( Ai B )

donde
los
son
eventos
mutuamente
excluyentes(incompatibles). En consecuencia por el teorema de la
multiplicacin queda:

IP ( B) IP ( A1 B ) IP ( A2 B) IP ( An B)
luego el Teorema de la IProbabilidad Total queda:

IP( B) IP( A1 ) IP( B A1 ) IP( A2 ) IP( B A2 ) IP( An ) IP( B An )

por otro lado, para cualquier i, la probabilidad condicional Ai dado B
se define por
( Ai B )

IP Ai B
IP B

Reemplazando la IP(B) obtenemos el Teorema de causa o Teorema

de Bayes :
Teorema de Bayes
Suponga que A1,A2,.....,An es una particin (sucesos incompatibles)
del espacio muestral M y sea B un evento cualquiera del mismo
espacio muestral M, entonces para cualquier i tenemos,
( A i B )

IP Ai IP B Ai

IP A1 IP B A1 IP A2 IP B A2 IP An IP B An

Ejercicio:
Una persona puede viajar de 3 formas, bicicleta, auto y avin. Cada
forma de transporte tiene una probabilidad de tener un defecto en el
sistema de rodado y no llegar al destino del 3%, 4% y 5%
respectivamente.

Para escoger el mtodo de traslado se tienen 3 fichas, las cuales

tienen una probabilidad de aparecer del 50%, 30% y 20%
respectivamente.
Si se toma un viaje al azar, y no llega a destino, hallar la
probabilidad de que ese viaje se realiz en bicicleta.
l l e g a 0 .9 7

b ic ic le t a 0 . 5

n o l l e g a 0 .0 3
l l e g a 0 .9 6

a u to 0 .3
a v i n 0 . 2

n o l l e g a 0 .0 4
l l e g a 0 .9 5
n o l l e g a 0 .0 5

Sea B el evento que no llegue a destino.

( Bicicleta B )

IP Bicicleta IP B Bicicleta

IP Bicicleta IP B Bicicleta IP Auto IP B Auto IP Avin IP B Avin

( Bicicleta B )

IP(bicicleta/B) =0,4054

0.5 0.03
0.5 0.03 0.3 0.04 0.2 0.05
15
37

Al usar rboles para resolver un problema condicional de Bayes, se

debe multiplicar los tramos de la rama que se busca, (en el ejemplo
de que no llegue y sea bicicleta), y dividirlo por la IP total del suceso
no llegue a destino.

INDEPENDENCIA
Se dice que un evento B no vaco es independiente de un evento A, si la
probabilidad de que B suceda no est influenciada porque A haya o no
sucedido. En otras palabras, si la probablidad de B es igual a la
IP( B ) P( B| A)

probabilidad condicional de B dado A :

, y si la
probabilidad de A es igual a la probabilidad condicional de A dado B :

IP( A) P ( A| B )

multiplicacin

. Sustituyendo IP(B) por P(B|A) en el teorema de la

IP( A B ) P( A) P( B| A)

, se obtiene

IP( A B ) P( A) P( B )

TEOREMA DE CHEBYSHEV REGLA EMPRICA

1
z2

TEOREMA DE CHEBYSHEV.- Por lo menos

de los valores del conjunto de
datos deben encontrarse dentro de z desviaciones estndar de la media, donde z es
cualquier valor mayor que 1 (no se aplica para z=1 un valor menor). El Teorema de
Chebyshev se aplica a cualquier distribucin, sesgada insesgada.

x z s, x z s

Interpretacin.- El porcentaje de valores en el intervalo

es por lo
1
1 2
x
s
z
menos
, siendo
la media aritmtica y
la desviacin estndar del
conjunto de datos.
En forma concreta.-

1
0,56
(1,5) 2

a) Si z = 1,5 entonces

, por lo que al menos 56% de los valores

x 1,5 s, x 1,5 s

se encuentran en el intervalo
1
1 2 0,75
2
b) Si z = 2 entonces
, por lo que al menos 75% de los valores se

x 2 s, x 2 s

encuentran en el intervalo
1
1 2 0,89
3
c) Si z = 3 entonces
, por lo que al menos 89% de los valores se
encuentran en el intervalo

x 3 s, x 3 s
x

Ejemplo 1.- Sea un conjunto de valores con

s
=70,

= 5. Tendremos que:

a)

62,5 ; 77,5

b)

Al menos 56% de los valores se encuentran en el intervalo

Al menos 75% de los valores se encuentran en el intervalo

c)

60 ; 80
58 ; 82

Para calcular qu porcentaje de valores estn en el intervalo

calculamos primero los puntos z de ambos extremos: En el primer caso
58 70
82 70
z
2,4
z
2,4
5
5
tenemos
y en el segundo caso
. Usando

1
0,83
2,4 2

el Teorema de Chebyshev con z = 2,4 resulta que

al menos 83% de los valores se encuentran en el intervalo

70 2,4 5, 70 2,4 5

d)

que es en realidad el intervalo

, de modo que

58 ; 82

Al menos 89% de los valores se encuentran en el intervalo

55 ; 85

REGLA EMPRICA.- Si los datos se ajustan aproximadamente a una distribucin

normal (forma de campana o curva de Gauss), tendremos que:

Cerca de 68% de los valores se encontrarn a no ms de una

desviacin estndar de la media

Cerca de 95% de los valores se encontrarn a no ms de dos

desviaciones estndar de la media

Casi todos los valores se encontrarn a no ms de tres

desviaciones estndar de la media
En forma concreta.

Al menos 68% de los valores estarn en el intervalo

x s, x s

Al menos 95% de los valores estarn en el intervalo

x 2 s, x 2 s

Adicionalmente.-

Al menos 99,7% de los valores en el intervalo

x 3 s, x 3 s

Cerca de 32% de los valores estarn fuera del intervalo

x s, x s

xs

y cerca de 16% de los valores sern mayores a

Cerca de 5% de los valores estarn fuera del intervalo

x 2 s, x 2 s

y nicamente 2.5% de los valores sern mayores a

x 2s
Cerca de 34% de los valores estarn en el intervalo

x s, x

x, x s

y el mismo porcentaje en el intervalo

Cerca de 47,5% de los valores estarn en el intervalo

x 2s, x

y el mismo porcentaje en el intervalo

x, x 2 s

Ejemplo 2.- La Administracin de Informacin de Energa inform que el precio

medio del galn de gasolina en 2005 fue $2,30. Si la desviacin estndar fue de $0,10
y que el precio del galn de gasolina fue aproximadamente normal, calcule:
a) El porcentaje de gasolina que se vendi entre $2,20 y $2,40 por galn
b) El porcentaje de gasolina que se vendi entre $2,20 y $2,50 por galn
c) El porcentaje de gasolina que se vendi a ms de $2,50 por galn
Solucin.- Usaremos la regla emprica.

xs

xs

Para el inciso a), como

= 2,20 y
=2,40 resulta que el 68% de la gasolina se
vendi entre $2,20 y $2,40 por galn.
Para el inciso b), el precio de $2,50 se encuentra a dos desviaciones estndar por
sobre la media. Por tanto debemos examinar el intervalo

x s, x

x, x 2 s

x s, x 2s

que es la

unin de los intervalos

y
lo que nos da un total de 34% +
47,5% = 81,5%.
Para el inciso c), por debajo de $2,30 se encuentra el 50% del total de valores. De

x, x 2 s

$2,30 a $2,50, es decir en el intervalo

como vimos est el 47,5% de los
valores, lo que hace un total de 97,5% de ventas a un precio menor a a $2,50.
Consecuentemente 2,5% de las ventas tuvieron un precio superior a $2,50.

Ejemplo 3- El puntaje promedio en un examen a nivel nacional fue de 507 con una
desviacin estndar de 100. Calcule lo siguiente empleando el Teorema de
Chebyshev (cuando pueda ser aplicado) y la regla emprica para distribuciones en
forma de campana:
a) Qu porcentaje de los exmenes tuvo una nota superior a 607?
b) Qu porcentaje de los exmenes tuvo una nota superior a 707?
c) Qu porcentaje de los exmenes tuvo una nota entre 407 y 507?
d) Qu porcentaje de los exmenes tuvo una nota entre 307 y 607?

Solucin.En el inciso a) no puede aplicarse el Teorema de Chebyshev. Segn la regla emprica,

como 607 est a una desviacin estndar de la media, cerca de 16% de los exmenes
tendr una puntuacin superior a 607.
En el inciso b), el puntaje 707 est a dos desviaciones estndar de la media. Segn la
regla emprica, 2.5% de los exmenes tendrn un puntaje superior a 707. Segn el
Teorama de Chebyshev, 75% de los exmenes tendrn una nota mayor a 307 pero
menor a 707. Vale decir, en 25% de los casos la nota ser menor a 307 o bien mayor
a 707. Entonces 12.5% de los exmenes tendrn una puntuacin superior a 707.

x s, x

407, 507

En el inciso c), el intervalo

equivale al intervalo
por lo que
no se aplica el Teorema de Chebyshev. Sin embargo la regla emprica nos da 34% del
total de exmenes con puntaje en este intervalo.

x 2s, x s

En el inciso d) examinamos el intervalo

de modo que tampoco puede
aplicarse el Teorema de Chebyshev. Segn la regla emprica, el porcentaje total es la
suma de 47,5% y 34% lo que es igual a 81,5%.

Una variable aleatoria es una variable que toma valores numricos determinados por el
resultado de un experimento aleatorio. No hay que confundir la variable aleatoria
con sus posibles valores. Ejemplos:
-

n de caras al lanzar 6 veces una moneda (valores: 0, 1, 2)

n de llamadas que recibe un telfono en una hora

tiempo que esperan los clientes para pagar en un supermercado

Las variables aleatorias pueden ser discretas o continuas:

-

Discretas: el conjunto de posibles valores es numerable. Suelen estar asociadas

a experimentos en que se mide el nmero de veces que sucede algo.

Continuas: el conjunto de posibles valores es no numerable. Puede tomar todos

los valores de un intervalo. Son el resultado de medir.

Ejemplo: Ejercicio 15.2 de Pea y Romo

Clasificar como discretas o continuas las siguientes variables aleatorias:
a) n de pginas de un libro discreta
b) tiempo que tarda en fundirse una bombilla continua
c) n de preguntas en una clase de una hora discreta
d) cantidad de agua consumida en un mes continua

En la prctica se consideran discretas aquellas variables para las que merece la pena
asignar probabilidades a todos los posibles sucesos elementales.

DISTRIBUCIN DE UNA VARIABLE ALEATORIA

Sea x una variable aleatoria discreta. Su distribucin viene dada por los valores que
puede tomar, x1, x2, x3, , xk, y las probabilidades de que aparezcan p1, p2, p3, , pk.

Estas cantidades

p i P { x x i}

reciben el nombre de funcin de probabilidad

o funcin de masa.
Ejemplo:
Variable aleatoria x=n de caras al lanzar tres veces una
moneda
Posibles valores de x: 0, 1, 2 y 3
Lanzar 3 veces moneda:
E={CCC,CCX,CXC,XCC,XXC,XCX,CXX,XXX}
La variable aleatoria x:
-

Toma valor 0 cuando ocurre el suceso {XXX}

Toma valor 1 cuando ocurre el suceso {XXC,XCX,CXX}

Toma valor 2 cuando {CCX,CXC,XCC}

Toma valor 3 cuando {CCC}

La funcin de probabilidad es:

p 0 P { x 0 } 1 / 8 0 ,1 2 5
p 1 P { x 1} 3 / 8 0 ,3 7 5
p 2 P { x 2 } 3 / 8 0 ,3 7 5
p 3 P { x 3 } 1 / 8 0 ,1 2 5

Funcin de probabilidad de x:

0.40
0.35
0.30
0.25
0.20
0.15
0.10
0

Cul ser la probabilidad de que salgan al menos dos caras?

P { x 2 } P { x 0 } P { x 1 } P { x 2 } 0 ,1 2 5 0 , 3 7 5 0 , 3 7 5
0 ,8 7 5
y la probabilidad de que el nmero de caras est entre 1 y 2?

P {1 x 2 } P { x 1} P { x 2 } 0 ,3 7 5 0 ,3 7 5 0 ,7 5

 La probabilidad de que una variable aleatoria x tome un valor entre dos cantidades a y
b ser:

P { a x b } P { x a } P { x a 1} . . . P { x b 1} P { x b }

P { x x i}

xia

La funcin de probabilidad verifica que:

p i P { x x i} 0

i1

pi

P { x x i} 1

i1

La funcin de distribucin o de probabilidad acumulada representa en cada punto x0 la

probabilidad de que la variable tome un valor menor o igual que dicho punto, es

decir,

P { x x0}

Ejemplo: n caras al lanzar tres veces una moneda

P { x 0 } P { x 0 } 0 ,1 2 5
P { x 1 } P { x 0 } P { x 1 } 0 ,1 2 5 0 , 3 7 5 0 , 5

P { x 2 } P { x 0 } P { x 1 } P { x 2 } 0 ,5 0 ,3 7 5 0 ,8 7 5
P { x 3 } P { x 0 } P { x 1 } P { x 2 } P { x 3 } 0 , 8 7 5 0 ,1 2 5 1

Funcin de distribucin de x
1.0
0.8
0.6
0.4
0.2
0.0
0

Sea x una variable aleatoria continua. Si queremos conocer su distribucin de

probabilidad no nos vale la funcin de probabilidad empleada con las discretas (cada
valor con su probabilidad asociada) porque toma muchos valores. La probabilidad
asociada a cada valor es prcticamente nula (la funcin de distribucin es continua).

Emplearemos la funcin de densidad. Se interpreta de forma parecida al

histograma. Expresa la densidad o concentracin de probabilidad en cada zona.
Expresa las probabilidades por reas. Sus valores ms altos corresponden a zonas
en las que es ms probable que aparezcan resultados del experimento aleatorio.

Media o esperanza de una variable aleatoria

La media o esperanza de una variable aleatoria discreta ser:

E (x) m

x 1 p 1 x 2 p 2 . . . x k p k

xipi

i1

x=resultado de lanzar un dado

La distribucin de probabilidad de x ser:

p 1 P { x 1} 1 / 6
p2 P {x 2} 1 / 6

p6 P { x 6} 1 / 6
El valor esperado de x ser:

xipi 1

i1

1
1
1
1
1
1
2 3 4 5 6 3 ,5
6
6
6
6
6
6

La idea de media o esperanza de una variable aleatoria continua es equivalente pero

su clculo es algo ms complicado porque requiere emplear el concepto de integral.

La media de una variable aleatoria puede interpretarse como el valor esperado o

medio que toma dicha variable o como el valor central de dicha distribucin.

Propiedades:
-

si x e y son dos variables aleatorias se cumple que:

xy

m x m

si a y b son constantes se cumple que:

ax b

am x b

Una compaa ha vendido 205 billetes para un avin de 200 plazas.

Sea x la variable aleatoria que expresa el n de viajeros que va al aeropuerto para
viajar en el avin. Su distribucin es:
xi
pi

198
0,05

199
0,09

200
0,15

201
0,20

202
0,23

203
0,17

204
0,09

205
0,02

a) Hallar la probabilidad de que todos los viajeros que van al aeropuerto tengan
plaza.

P { x 2 0 0} P { x 1 9 8} P { x 1 9 9} P { x 2 0 0}
0 , 0 5 0 , 0 9 0 ,1 5 0 , 2 9

b) Obtener la probabilidad de que se quede sin plaza alguno de los viajeros que va
al aeropuerto.

P { x 2 0 0 } P { x 2 0 1 } P { x 2 0 2 } . . . P { x 2 0 5 }
0 , 2 0 , 2 3 0 ,1 7 0 , 0 9 0 , 0 2 0 , 7 1

P { x 2 0 0 } 1 P { x 2 0 0 } 1 0 ,2 9 0 ,7 1
c) Calcular el n esperado de viajeros que acude al aeropuerto.

x i p i 1 9 8 0 , 0 5 1 9 9 0 , 0 9 2 0 0 0 ,1 5 2 0 1 0 , 2

i1

2 0 2 0 , 2 3 2 0 3 0 ,1 7 2 0 4 0 , 0 9 2 0 5 0 , 0 2
2 0 1 ,4 4
d) Cul es la probabilidad de que la primera persona de la lista de espera tenga
sitio en el vuelo?

P { x 1 9 9 } P { x 1 9 8 } P { x 1 9 9 } 0 , 0 5 0 , 0 9 0 ,1 4

Desviacin tpica de una variable aleatoria

La desviacin tpica de una variable aleatoria es una medida de dispersin de la

distribucin alrededor de la media. Los valores pequeos indican concentracin de
la distribucin alrededor de la esperanza y los valores grandes corresponden a
distribuciones ms dispersas.

El concepto de desviacin tpica es equivalente en variables aleatorias discretas y

continuas, aunque en estas ltimas su clculo es ms complicado.

Si x es una variable aleatoria discreta su desviacin tpica viene dada por:

k

x D T (x)

i1

pi

x i2 p i m

2
x

i1

y su varianza ser:

2
x

V (x)

i1

pi

x i2 p i m

2
x

i1

Propiedades:
-

si a y b son constantes se cumple que:

ax b

2
ax b

a 2

2
x

si x e y son dos variables aleatorias independientes se cumple que:

2
x

2
xy

2
x

2
y

xy

x2

2
y

Ejercicio 15.4 (de Pea y Romo)

Se lanza tres veces una moneda. Sea x la variable aleatoria que expresa el n de
caras en los tres lanzamientos.

a) Hallar y representar la funcin de probabilidad de x. (ver Ejemplo pag. 3)

Se lanza 3 veces una moneda:
E={CCC,CCX,CXC,XCC,XXC,XCX,CXX,XXX}

p 0 P { x 0 } 1 / 8 0 ,1 2 5

x=0 {XXX}

x=1 {XXC,XCX,CXX}

x=2 {CCX,CXC,XCC}

p 1 P { x 1} 3 / 8 0 ,3 7 5
p 2 P { x 2 } 3 / 8 0 ,3 7 5
p 3 P { x 3 } 1 / 8 0 ,1 2 5

x=3 {CCC}

b) Calcular el n esperado de caras al lanzar la moneda. Era previsible el

resultado?

x i p i 0 0 ,1 2 5 1 0 , 3 7 5 2 0 , 3 7 5 3 0 ,1 2 5 1 , 5

i1

S, ya que en cada lanzamiento P(C)=1/2 y al lanzar tres veces se tiene que

3 1 / 2 1 ,5

c) Hallar la desviacin tpica de x

i1

( 0 1 , 5 ) 2 0 ,1 2 5 ( 1 1 , 5 ) 2 0 , 3 7 5

pi

( 2 1 , 5 ) 2 0 , 3 7 5 ( 3 1 , 5 ) 2 0 ,1 2 5

o bien:

x i2 p i m

i1

2
x

0 ,1 2 5 . . . 3 2 0 ,1 2 5 1 , 5 2 0 , 8 6 6

La desviacin tpica es una medida de dispersin que depende de las unidades de

medida de la variable. Para evitar este inconveniente podemos emplear el
coeficiente de variacin. El coeficiente de variacin de una variable aleatoria x ser:

C V

x
x

Sea x una variable aleatoria que expresa el n de personas que habitan en una vivienda
elegida al azar. La distribucin de probabilidad de x es la siguiente:
xi
pi

1
0,230

2
0,322

3
0,177

4
0,155

5
0,067

6
0,024

7
0,015

a) Comprobar que es una distribucin de probabilidad.

Todas las pi son mayores o iguales que cero y adems se cumple que:
8

i1

p i 0 , 2 3 0 , 3 2 2 0 ,1 7 7 . . . 0 , 0 1 0 1

8+
0,010

0 ,8 6 6

b) Hallar la probabilidad de que el n de personas que viven en un hogar sea menor

o igual que cuatro.

P x 4 P x 1 P x 2 P x 3 P x 4
0 , 2 3 0 , 3 2 2 0 ,1 7 7 0 ,1 5 5 0 , 8 8 4
c) Calcular la probabilidad de que al menos dos personas vivan en una vivienda.

P x 2 P x 2 P x 3 ...` P x 8
1 P ( x 2 ) 1 0 ,2 3 0 ,7 7
d) Obtener el n medio de personas que habitan en una vivienda.

m x 1 0 , 2 3 2 0 , 3 2 2 3 0 ,1 7 7 . . . 7 0 , 0 1 5 8 0 , 0 1 2 , 6 8 9