Unidad I Introduccion A La Teoria de Probabilidades

Captulo 1 : Introduccin a la teora de probabilidades
1.1. Introduccin:
Muchos de los eventos o acontecimientos que ocurren en la vida diaria se
presentan sin seguir una ley que los rija, es decir ocurren en forma casual o
casustica, a este hecho es lo que comnmente se denomina Azar.
Sobre las actividades que se realizan o eventos que ocurren en el quehacer
cotidiano, ya sean cientficos o no, actan una serie de factores los cuales son
imposible ponderar y que pueden modificar parcial o totalmente el resultado de
estas actividades o acontecimientos, este conjunto de factores conforman lo
que se denomina azar, casualidad y en ocasiones se les llama suerte.
El ejemplo ms sencillo de lo anterior es el clsico lanzamiento de una
moneda, al lanzarla estamos seguros por una parte que la moneda caer y
que puede ser cara o sello, pero no podemos asegurar cual de las dos figuras
es la que saldr. As mismo, cuando se extrae una carta de un juego de
barajas, tenemos la certeza de que extrajimos una carta de una de las pintas
de la baraja, pero no sabemos que pinta es y mucho menos que calificacin
tiene la carta; en ambos casos el evento o suceso est sometido a los factores
que conforman el azar.
Muchas personas sin conocer la teora de probabilidades, hacen
aseveraciones donde esta se encuentra involucrada, a menudo se escuchan
expresiones como: es casi seguro que Sonia apruebe el examen de
Matemtica, es probable que llueva en Semana Santa, con toda seguridad
Miranda le ganar a Cojedes en los Juegos Nacionales, etc. En las
aseveraciones anteriores puede notarse que en todas ellas existe una
situacin de incertidumbre; esto es, que a pesar que la persona que emite la
aseveracin expresa cierto grado de seguridad o confianza en lo que dice,
debemos recordar que hay muy pocas cosas en la vida acerca de las cuales
podemos estar completamente seguros.
Con esto se quiere destacar que ninguna inferencia es cien por ciento segura
y la probabilidad de que sea cierta resulta ms evidente en unos casos que en
otros.
Buscando la explicacin de la ocurrencia de estos hechos casuales, los
cientficos a travs de clculos matemticos han llegado a determinar ciertas
ING. ORLANDO F. OCHOA CH.
UNEFA-PROBABILIDAD Y ESTADISTICA-2007
Pgina 1
regularidades en la presencia de hechos casuales, pudiendo de esta forma

predecir el nmero de veces que puede ocurrir un hecho considerado como
casual, el estudio de estos eventos y la determinacin de sus regularidades
han dado origen al clculo o teora de probabilidades.
1.2. Resea histrica:
Ao 1650: Blaise Pascal Piere Fermet de Toullouse:
Nace la definicin clsica de probabilidad por una consulta realizada por el
caballero De Mer al matemtico francs Blaise Pascal, dada la importancia
que haban alcanzado los juegos de azar en la poca. Se define como: La
probabilidad de que se presente un determinado suceso es igual al
cociente entre el nmero de casos que son favorables a ste suceso y el
nmero total de casos posibles, con tal que todos estos sean mutuamente
simtricos.
Ao 1710 James Bernoulli Abraham de Moivre
Bernoulli en 1713 publica la obra El Arte de la Conjetura, expone el
teorema que lleva su nombre y que eleva la teora de probabilidad de la
resolucin de problemas particulares a sustentar leyes de carcter general.
Moivre, elabora la obra La Doctrina de las Probabilidades, en ella aparece
la primera enunciacin del teorema de la multiplicacin as como las
primeras indicaciones sobre la distribucin normal de las probabilidades.
Ao 1812: Laplace
Publica la obra: Thorie Analytique des Probabilits, la cual se considera
clsica dentro de la Teora de Probabilidades; contiene una exposicin
sistemtica sobre la teora matemtica del juego de azar y un gran nmero
de aplicaciones a las cuestiones cientficas y prcticas. En base a esta
publicacin Gauss y Laplace independientemente uno de otro, crearon una
teora de errores sistemticos, al discutir las aplicaciones de la teora de
probabilidad matemtica, al anlisis numrico de los errores de medidas en
las observaciones fsicas y astronmicas.
Siglo XIX: Quetelet y sus discpulos
Se realizan investigaciones acerca de las aplicaciones de la teora de
probabilidades a la Demografa y otras ciencias sociales; las Matemticas
Actuariales alcalzaron un enorme desarrollo obtenindose en consecuencia
un gran adelanto en el Seguro de Vida.
Modernamente Maxwell, Boltzmann y Gibbs, introducen la probabilidad en
el campo de la Fsica Matemtica, en su tratado Mecnica Estadstica.
Pgina 2
Actualmente, la aplicacin de la probabilidad es tan amplia que abarca

mltiples campos cientficos, siendo de gran ayuda en la resolucin de
problemas de Economa, Biologa, Psicologa, Ingeniera, Climatologa, etc.
1.3. Experimento aleatorio y determinstico, espacio muestral,

muestral, evento o suceso, evento simple, evento compuesto:
punto
1.3.1. Experimento determinstico y experimento aleatorio:

Un experimento es una accin cualquiera que sea, pero bien definida.
En Estadstica, este concepto se utiliza en una forma ms amplia que en
otras ciencias como la Biologa, Qumica, Fsica, etc., y se entiende como
cualquier proceso que proporciona datos, numricos o no numricos.
En los diferentes campos de la actividad cientfica se realizan
frecuentemente experimentos bajo condiciones similares o constantes,
obtenindose en cada uno de ellos resultados. Estos resultados son
obtenidos por el uso o aplicacin de las leyes conocidas de una
determinada disciplina y por lo tanto es posible predecir el resultado final sin
realizar el experimento. En estos casos se est en presencia de un
experimento determinstico.
En otras ocasiones, aun cuando el investigador ponga todo su empeo en
controlar el estado inicial de un experimento que se repite bajo las mismas
condiciones, le ser prcticamente imposible predecir el resultado de una
prueba o ensayo particular debido a que ste variar de una observacin a
otra en forma irregular. En estos casos se dice que se est en presencia de
un experimento aleatorio, cuyos resultados estn sujetos al azar;
entendindose este como la caracterstica de suceso imprevisible.
En estadstica esta definicin se modifica aadiendo una propiedad
adicional: El azar es la caracterstica de un experimento que produce
resultados diversos, impredecibles en cada situacin concreta, pero cuyas
frecuencias, a la larga, tienden a estabilizarse hacia un valor "lmite" en el
infinito.
En general se puede decir que un experimento aleatorio es aquel que
puede dar lugar a ms de un resultado, por lo que no se puede predecir uno
de ellos en una prueba particular.
Pgina 3
1.3.2. Espacio muestral:

1.3.2.1. Definicin:
Se denomina espacio muestral, al conjunto formado por todos los
resultados posibles de un experimento.
Ejemplos:
a) Si se lanzan dos monedas al mismo tiempo, se pueden obtener cuatro
resultados diferentes, cara 1 cara 2, cara 1 sello 1, cara 2 sello1,
cara 2 sello 2, (CC, CS, SC, SS), es decir el espacio muestral del
experimento ser un conjunto E de cuatro elementos.
E = {CC, CS, SC, SS}
b) Si el experimento es lanzar un dado para determinar el nmero que
sale en la cara superior del mismo , el espacio muestral estar
compuesto de seis resultados posibles, es decir:
E = {1,2,3,4,5,6}
c) Sea el caso de un experimento donde se lanza una moneda y un
dado, los resultados posibles sern:
E = {(1C),(1S),(2C),(2S),(3C),(3S),(4C),(4S),(5C),(5S),(6C),(6S)}.
1.3.2.2. Determinacin del espacio muestral:
La determinacin de un espacio muestral de un experimento consiste en
definir los elementos o eventos que lo constituyen, para ello, se aplican
las tcnicas de conteo que son los diferentes mtodos utilizados para
cuantificar los elementos de un evento en cuestin (el nmero de
muestras posibles a formar un determinado nmero de elementos).
Las bases para entender el uso de las tcnicas de conteo son el principio
multiplicativo y el aditivo, los que a continuacin se definen y se hace uso
de ellos.
a) Principio multiplicativo:
Si se desea realizar una actividad que consta de r pasos, en donde el
primer paso de la actividad a realizar puede ser llevado a cabo de N 1
Pgina 4
maneras o formas, el segundo paso de N 2 maneras o formas y el rsimo paso de Nr maneras o formas, entonces esta actividad puede
ser llevada a efecto de;
N1 x N2 x ..........x Nr= nmero de maneras o formas
El principio multiplicativo implica que cada uno de los pasos de la
actividad deben ser llevados a efecto, uno tras otro.
Ejemplo:
Cuntas placas para automvil pueden ser diseadas si deben
constar de tres letras seguidas de cuatro nmeros, si las letras deben
ser tomadas del abecedario (26 letras) y los nmeros de entre los
dgitos del 0 al 9?, a. Si es posible repetir letras y nmeros, b. No es
posible repetir letras y nmeros, c. Cuntas de las placas diseadas
en el inciso b empiezan por la letra D y empiezan por el cero, d.
Cuantas de las placas diseadas en el inciso b empiezan por la letra
D seguida de la G.
Solucin:
a. Considerando 26 letras del abecedario y los dgitos del 0 al 9
26 x 26 x 26 x 10 x 10 x 10 x 10 = 75.760.000 placas para
automvil que es posible disear
b. 26 x 25 x 24 x 10 x 9 x 8 x 7 = 78.624.000
placas para automvil
c. 1 x 25 x 24 x 1 x 9 x 8 x 7 = 302.400 placas para automvil
d. 1 x 1 x 24 x 10 x 9 x 8 x 7 = 120.960
placas para automvil
b) Principio aditivo:
Si se desea llevar a efecto una actividad, la cul tiene formas
alternativas para ser realizada, donde la primera de esas alternativas
puede ser realizada de M maneras o formas, la segunda alternativa
puede realizarse de N maneras o formas ..... y la ltima de las
alternativas puede ser realizada de W maneras o formas, entonces
esa actividad puede ser llevada a cabo de,
Pgina 5
M + N + .........+ W = nmero de maneras o formas

Ejemplo:
Una persona desea comprar una lavadora de ropa, para lo cul ha
pensado que puede seleccionar de entre las marcas Whirpool, Easy
y General Electric, cuando acude a hacer la compra se encuentra
que la lavadora de la marca W se presenta en dos tipos de carga ( 8
u 11 kilogramos), en cuatro colores diferentes y puede ser
automtica o semiautomtica, mientras que la lavadora de la marca
E, se presenta en tres tipos de carga (8, 11 o 15 kilogramos), en dos
colores diferentes y puede ser automtica o semiautomtica y la
lavadora de la marca GE, se presenta en solo un tipo de carga, que
es de 11 kilogramos, dos colores diferentes y solo hay
semiautomtica. Cuntas maneras tiene esta persona de comprar
una lavadora?
Solucin:
M = Nmero de maneras de seleccionar una lavadora Whirpool
N = Nmero de maneras de seleccionar una lavadora de la marca
Easy
W = Nmero de maneras de seleccionar una lavadora de la marca
General Electric
M = 2 x 4 x 2 = 16 maneras
N = 3 x 2 x 2 = 12 maneras
W = 1 x 2 x 1 = 2 maneras
M + N + W = 16 + 12 + 2 = 30 maneras de seleccionar una lavadora
Cmo podemos distinguir cuando hacer uso del principio

multiplicativo y cuando del aditivo?

Pgina 6
Es muy simple, cuando se trata de una sola actividad, la cual

requiere para ser llevada a efecto de la ejecucin de una serie de
pasos, entonces haremos uso del principio multiplicativo y si la
actividad a desarrollar o a ser efectuada tiene alternativas para ser
llevada a cabo, haremos uso del principio aditivo.
c) Combinaciones y permutaciones:
Factorial de un nmero (n!): se denomina factorial de un nmero n!
al producto desde la unidad hasta el valor que ostenta n.
n!= 1 x 2 x 3 x 4 x...........x n
Se define 0! = 1, para que la relacin n! = n (n 1)! sea tambin
vlida para n = 1.
Ejemplo:
10! =1 x 2 x 3 x 4 x.........x 10 = 3,628,800
8! = 1 x 2 x 3 x 4 x.........x 8 = 40,320
6! = 1 x 2 x 3 x 4 x.........x 6 = 720, etc.
Las combinaciones y permutaciones son los diferentes arreglos u
ordenamientos que podemos realizar con los elementos de un conjunto.
Combinacin: Es todo arreglo de elementos en donde no nos interesa
el lugar o posicin que ocupa cada uno de los elementos que
constituyen dicho arreglo.
Ejemplo:
"Mi ensalada de frutas es una combinacin de manzanas, uvas y
cambures": no importa en qu orden pusimos las frutas, podra ser
"bananas, uvas y manzanas" o "uvas, manzanas y bananas", es la
misma ensalada.
Permutacin: Es todo arreglo de elementos en donde nos interesa el
lugar o posicin que ocupa cada uno de los elementos que constituyen
dicho arreglo.
Una permutacin es una combinacin ordenada.

Pgina 7
Ejemplo:
"La combinacin de la cerradura es 472": ahora s importa el orden.
"724" no funcionara, ni "247". Tiene que ser exactamente 4-7-2.
Ejemplo:
De cuantas formas diferentes se pueden ordenar los nmeros 1, 2 y 3,
si: a) se toma en consideracin el orden, b) si no se toma en
consideracin el orden.
a) Si se toma en consideracin el orden:
(1,2,3), (1,3,2), (2,1,3), (2,3,1), (3,1,2), (3,2,1) es una permutacin
b) Si no se toma en consideracin el orden:
(1,2,3) es una combinacin
Frmula para permutaciones:
=
!
!
nPr = Permutaciones de r objetos tomadas de entre n objetos es:

Frmula para las combinaciones:
, =
!
! !
Cn,r = Combinaciones de r objetos tomados de entre n objetos

Ejemplos:
Cuantas representaciones diferentes sern posibles formar, si se
desea que consten de Presidente, Secretario, Tesorero, Primer Vocal
y Segundo Vocal?, s esta representacin puede ser formada de
entre 25 miembros del sindicato de una pequea empresa.
Solucin:
Por principio multiplicativo:
Pgina 8
25 x 24 x 23 x 22 x 21 = 6,375,600 maneras de formar una

representacin de ese sindicato que conste de presidente, secretario,
etc.
Por Frmula:
n = 25,
25P5 =
r=5
25!
2520 !
= 25! / 20! = (25 x 24 x 23 x 22 x 21 x..x 1) / (20 x 19 x
18 x ... x 1)=
= 6,375,600 maneras de formar la representacin
Si se cuenta con 14 alumnos que desean colaborar en una campaa
pro limpieza del ncleo de la universidad, cuantos grupos de limpieza
podrn formarse si se desea que consten de 5 alumnos cada uno de
ellos, b.si entre los 14 alumnos hay 8 mujeres, cuantos de los
grupos de limpieza tendrn a 3 mujeres?, c.cuntos de los grupos
de limpieza contarn con 4 hombres por lo menos?
Solucin:
a) n = 14, r = 5
Cn,r = r!
n!
nr !
14 !
= 5! 145 ! =
14x13x12x11x10x9!
5!x9!
= 2002 grupos
Entre los 2002 grupos de limpieza hay grupos que contienen solo
hombres, grupos que contienen solo mujeres y grupos mixtos, con
hombres y mujeres.
b) n = 14 (8 mujeres y 6 hombres),
r=5
En este caso nos interesan aquellos grupos que contengan

mujeres y 2 hombres
C8,3 * C6,2 = (8! / (8 3)!3!)*(6! / (6 2)!2!)

= (8! / 5!3!)*(6! / 4!2!)
= 8 x7 x 6 x 5 /2!
= 840 grupos con 3 mujeres y 2
hombres, puesto que cada grupo debe constar de 5 personas
c) En este caso nos interesan grupos en donde haya 4 hombres o
ms
Pgina 9
Los grupos de inters son = grupos con 4 hombres + grupos con 5

hombres
= C6,4 * 8C1
C6,5 * C80 = 15 x 8 + 6 x 1 = 120 + 6
= 126
d) Pruebas ordenadas:
Se le llama prueba ordenada al hecho de seleccionar r objetos de entre
n objetos contenidos en una urna uno tras otro. Una prueba ordenada
puede ser llevada a efecto de dos maneras:
1. Con sustitucin (con reemplazo):
En este caso se procede a seleccionar el primer objeto de entre los n
que hay, se observa de qu tipo es y se procede a regresarlo a la
urna, luego se selecciona el siguiente objeto, lo anterior se repite
hasta que se han extrado los r objetos de la prueba, por tanto el
nmero de pruebas ordenadas de con sustitucin se obtiene:
Nmero total de pruebas ordenadas con sustitucin = n x n x n x
......x n = nr
Hay n maneras de seleccionar el primer objeto, luego al seleccionar
el segundo objeto, dado que se ha regresado a la urna el primer
objeto, tambin se tendrn n objetos y as sucesivamente.
2. Sin sustitucin (sin reemplazo):

En este caso se procede a seleccionar el primer objeto, el cual no es
regresado a la urna, luego se selecciona el segundo objeto, lo
anterior se repite hasta completar los r objetos de la prueba, por lo
que el nmero total de pruebas ordenadas sin sustitucin se obtiene:
Nmero total de pruebas ordenadas sin sustitucin = n(n-1)(n2)..(n-r +1) = nPr
Hay n maneras de seleccionar el primer objeto, luego al seleccionar
el segundo objeto, hay n 1 maneras, dado que el primer objeto no
se regresa a la urna, luego cuando se extrae el r-simo objeto, hay (n
r +1) de que sea seleccionado.
Pgina 10
Ejemplos:
Cuntas maneras hay de que se asignen tres premios de un
sorteo en donde el primer premio es una departamento, el
segundo premio es un auto y el tercer premio es un centro de
cmputo, si los participantes en este sorteo son 120 personas, a.s
la asignacin se puede hacer con sustitucin, b.s la asignacin se
puede hacer sin sustitucin.
Solucin:
a. Por principio multiplicativo:
120 x 120 x 120 = 1,728,000 maneras de asignar los premios
Por frmula: n =120,
r=3
nr = 1203 = 1,728,000 maneras de asignar los tres premios

Hay que considerar que en este caso, al regresar cada boleto
que es extrado de la urna, las personas que participan en el
sorteo tienen la posibilidad de no ganar uno solo de los
premios, de ganar un premio, dos de los premios o los tres
premios. Cosa que generalmente no ocurre.
b. Por principio multiplicativo:
120 x 119 x 118 = 1,685,040 maneras de asignar los premios
Por frmula:
n = 120,
r=3
= 120! / (120 3)! = 120! / 117! = 120 x 119 x 118 =

1,685,040 maneras de asignar los premios
120P3
Hay que hacer notar que en este caso, como los boletos que
son seleccionados ya no regresan a la urna de donde fueron
extrados, los participantes solo pueden recibir un premio en
Pgina 11
caso de que fueran de los afortunados. Esta es la forma en

que generalmente se efecta un sorteo.
e) Producto cartesiano:
Sea el experimento en el cual se lanza una moneda y un dado a la
misma vez, el espacio muestral del experimento vendr dado por todos
los resultados posibles que se pueden obtener, la determinacin de
estos resultados puede realizarse a travs de un producto cartesiano de
dos conjuntos, en los cuales el primer conjunto, A representa los
sucesos que origina la moneda, es decir sus elementos sern {cara,
sello} = {C,S}, de igual forma los elementos del conjunto que representa
el dado ser B = {1,2,3,4,5,6}, de acuerdo a lo anterior el espacio
muestral del experimento estar conformado por doce sucesos probable
que son los elementos que conforman el conjunto de pares ordenados
del producto cartesiano A x B, as tenemos:
A = {C,S}
B = {1,2,3,4,5,6}
A x B = {(C1),(C2),(C3),(C4),(C5),(C6),(S1),(S2),(S3),(S4),(S5),(S6)}
f) Diagrama de rbol:
Un diagrama de rbol es una representacin grfica de un experimento
que consta de r pasos, donde cada uno de los pasos tiene un nmero
finito de maneras de ser llevado a cabo.
Ejemplo:
Se lanza una moneda y un dado, los sucesos que se pueden
presentar si en la moneda sale cara (C), son los siguientes:
MONEDA
CARA (C)

DADO
1
2
3
4
5
6
SUCESOS
(C,1)
(C,2)
(C,3)
(C,4)
(C,5)
(C,6)
Pgina 12
g) Diagramas de Venn:
Los diagramas de Venn son ilustraciones usadas en la rama de la
Matemtica y Lgica de clases conocida como teora de conjuntos.
Estos diagramas se usan para mostrar grficamente la agrupacin de
cosas elementos en conjuntos, representando cada conjunto mediante
un crculo o un valo. La posicin relativa en el plano de tales crculos
muestra la relacin entre los conjuntos.
Ejemplos:
Supngase que el conjunto A representa, por ejemplo, a todas las
criaturas vivas con solo dos piernas motrices y que el conjunto B
contiene a todas las criaturas que pueden volar. El rea donde
ambos crculos se superponen (que recibe el nombre de interseccin
entre A y B), contendra por tanto todas las criaturas que, al mismo
tiempo, pueden volar y tienen slo dos piernas motrices.
El diagrama nos indica:

A(dos patas)
B(vuelan)
A y B(dos patas y vuelan)
A y no B(dos patas y no vuelan)
no A y B(ms o menos de dos patas, y vuelan)
no A y no B(ni tienen dos patas ni vuelan)
Un grupo de jvenes fue entrevistado acerca de sus preferencias por

ciertos medios de transporte (bicicleta, motocicleta y automvil). Los datos
de la encuesta fueron los siguientes:
I) Motocicleta solamente: 5
II) Motocicleta: 38

Pgina 13
III) No gustan del automvil: 9

IV) Motocicleta y bicicleta, pero no automvil:3
V) Motocicleta y automvil pero no bicicleta: 20
VI) No gustan de la bicicleta: 72
VII) Ninguna de las tres cosas: 1
VIII) No gustan de la motocicleta: 61
De acuerdo la informacin anterior, se pide determinar:
a.
b.
c.
d.
e.
Cul fue el nmero de personas entrevistadas?

A cuntos le gustaba la bicicleta solamente?
A cuntos le gustaba el automvil solamente?
A cuntos le gustaban las tres cosas?
A cuntos le gustaba la bicicleta y el automvil pero no la motocicleta?
Tratemos de volcar los datos en un diagrama de Venn para tres conjuntos.
Nos encontraremos con que slo cuatro de ellos (los nmeros I), IV), V) y
VII) se pueden volcar directamente:
Ahora con el dato II) se puede completar la nica zona que falta en el
conjunto MOTO, haciendo la diferencia 38 - (20+5+3) = 10:
Luego utilizaremos el dato VI), pues si consideramos todas las zonas,

excepto las cuatro correspondientes al conjunto BICI, debern sumar 72,
luego 72 - (20+5+1) = 46:
Pgina 14
Despus de ello, podremos usar el dato III), pues si consideramos todas las
zonas, excepto las cuatro correspondientes al conjunto AUTO, debern
sumar 9, luego 9 - (5+3+1) = 0:
Por ltimo utilizaremos el dato VIII) pues si consideramos todas las zonas,
excepto las cuatro correspondientes al conjunto MOTO, debern sumar 61,
luego 61 - (46+0+1) = 14:
Con lo que estamos en condiciones de responder a todas las preguntas:

o A 99 personas.
o A ninguna.
o A 46 personas.
o A 10 personas.
o a 14 personas.

Pgina 15
1.3.3. Evento o suceso, punto muestral, suceso elemental o evento simple,

evento compuesto :
1.3.3.1. Evento o suceso:
Un evento o suceso, es todo resultado o grupo de resultados que pueden
obtenerse mediante la realizacin de un experimento aleatorio; tambin
se denomina punto muestral.
.
Ejemplos:
En el caso del lanzamiento de un dado podemos definir los eventos o
sucesos siguientes:
a) B = { Sale el nmero 4} = {4}
b) D = {Sale un nmero impar} = {1,3,5}
c) F = {Sale un nmero mayor que 2 y menor que 5} = {3,4}
1.3.3.2. Suceso elemental o evento simple:
Es aquel suceso o evento constituido por un solo resultado del
experimento. La caracterstica fundamental de ste hecho, es que no se
puede descomponer a partir de la combinacin de otros sucesos.
1.3.3.3. Evento compuesto:
Son aquellos eventos que se forman a partir de dos o ms sucesos
simples, tomando en consideracin las operaciones entre conjuntos
(unin, interseccin, complemento, etc).
Ejemplos:
Sea el experimento de lanzar un dado y observar el nmero que sale en
la cara superior, es decir el espacio muestral es E = {1,2,3,4,5,6}
Algunos sucesos simples de E, sern:
A = {Sale un nmero par} = {2,4,6}
B = {Sale un nmero impar} = {1,3,5}
C = {Sale un nmero menor que 5} = {1,2,3,4}
Definamos un grupo de sucesos o eventos compuestos:
a) B C = {Sale un nmero impar o sale un nmero menor de 5}
b) A C = { Sale un nmero par o sale un nmero menor de 5}
Pgina 16
c) A = {No sale un nmero par}

Para determinar los sucesos o eventos compuestos planteados, es
necesario recordar:
A B = {x E | x A x B}
A B = {xE | x A x B}
A = {xE | x B x A}
De acuerdo a las definiciones anteriores, se tiene:
B C = {1,3,5,2,4}
A C = {2,4,6,1,3}
A = {1,3,5}
1.3.4. Evento o suceso seguro y evento o suceso imposible:
Evento o suceso seguro:
Es aquel que se verifica siempre despus de realizado un experimento
aleatorio, es el mismo espacio muestral (E).
Evento o suceso imposible:
Es aquel que nunca se verifica despus de un experimento aleatorio.
Como debe ser un subconjunto del espacio muestral (E), la nica
probabilidad es que el suceso imposible sea el conjunto vaco.
1.4. Eventos unin, interseccin, diferencia y complemento:
Unin, ():
La unin de dos eventos A y B, es el evento que contiene todos los puntos
muestrales que pertenecen a A o B o a ambos
A B = {x E | x A x B}
Interseccin() :
Dados dos eventos A y B, la interseccin de A y B es el evento que
contiene los puntos muestrales que pertenecen tanto a A como a B.
A B = {xE | x A x B}

Pgina 17
Complemento(A o Ac) :
Dado un evento A, se denomina evento complemento de A (Ac), a un
evento que contiene todos los puntos muestrales que no se encuentran
en el evento A.
A = Ac = {xE | x B x A}
1.5. Eventos mutuamente excluyentes:
Son aquellos eventos que no pueden ocurrir simultneamente al realizar una
sola vez el experimento, es decir la ocurrencia de uno de los eventos implica
la no ocurrencia del otro.
1.6. Concepto de probabilidad, diversos enfoques:
1.6.1. Definicin a priori:
Si un suceso A puede ocurrir de a maneras (favorables) y deja de ocurrir
de b maneras (desfavorables), siendo las dos igualmente posibles y de tal
forma que no pueden ocurrir a la vez ms que uno de ellos, La probabilidad
de ocurrencia de A, P(A), ser igual a:
() =
Esta corriente es la ms antigua, y parte del supuesto de que todos los

resultados posibles (puntos muestrales) de un experimento son igualmente
probables. Esto es, todos tienen la misma probabilidad de ser obtenidos.
Este razonamiento puede resumirse de la siguiente manera: la probabilidad
de un suceso asociado a un experimento aleatorio, no es ms que la razn
entre el nmero de casos favorables del suceso en cuestin y todos los
posibles resultados del experimento. Con la condicin de que todos esos
puntos muestrales tengan igual posibilidad de ocurrencia.
1.6.2 Definicin estadstica:
Si un experimento aleatorio se realiza un gran nmero de veces (N grande),
la frecuencia relativa con la que ocurre un evento tiende a estabilizarse en
un determinado valor al cual llamaremos probabilidad de ese evento.

Pgina 18
() =
()
= ()
Esta definicin se basa en las propiedades de estabilidad de las frecuencias

relativas, indicando, adems que la probabilidad surge de una investigacin
estadstica.
1.6.3 Definicin subjetiva:
Es producto de la experiencia o de la intuicin personal y expresa el grado
de confianza (en una escala de 0 a 1) que tiene el individuo de que un
resultado experimental ocurra. Los seguidores de esta corriente consideran
a la probabilidad de una proposicin particular cualquiera, como una medida
de confianza personal de que tal proposicin se llevar a cabo. As,
diferentes individuos, aun bajo la misma evidencia, pueden tener distintos
grados de confianza y asignar distintas medidas de probabilidad a un
evento, de acuerdo con el grado de creencia de su posible ocurrencia.
En general, no importa por cual enfoque o corriente se le asignen
probabilidades a los eventos; sta siempre ser un cociente o una
proporcin representada, por el nmero de eventos simples favorables al
experimento sobre el total de casos posibles o realizaciones del
experimento.
1.7. Axiomas de probabilidad:
1.7.1. Primer axioma:
La probabilidad de todo evento o suceso es un nmero no negativo, es
decir:
P(Xi) 0
1.7.2. Segundo axioma:
La suma de las probabilidades de todos los sucesos posibles mutuamente
excluyentes de un experimento aleatorio es la unidad. Esto es:
P(X1) + P(X2) + P(X3) + + P(Xn) = 1

Pgina 19
Esto se deriva de la condicin de que la suma de de todos los sucesos

mutuamente excluyentes es igual al espacio muestral (E), la expresin
anterior la podemos escribir como:
P(S) = 1
De estos dos axiomas se desprende que la probabilidad de ocurrencia de
cualquier evento vara entre 0 y 1; lo cual se puede indicar de la forma
siguiente:
0 P(Xi) 0
1.7.3. Tercer axioma:
Sean Xi y Xj dos sucesos cualesquiera mutuamente excluyentes del
experimento aleatorio; la probabilidad de que ocurra uno de los dos sucesos
ser igual a la suma de sus probabilidades. Estos es:
P(Xi o Xj) = P(Xi) + P(Xj)
1.8. Clculo de probabilidades:

Las aplicaciones de las probabilidades estn referidas generalmente a cierto
nmero de eventos relacionados entre s y pocas veces a un solo evento en
particular, por ello es necesario estudiar el clculo de probabilidades en este
sentido, basndose el clculo en los axiomas citados anteriormente.
1.8.1. Regla aditiva, suceso suma o regla de la O:
1.8.1.1. Sucesos mutuamente excluyentes:
Dos o ms eventos son mutuamente excluyentes o disjuntos, si no
pueden ocurrir simultneamente. Es decir, la ocurrencia de un evento
impide automticamente la ocurrencia del otro evento (o eventos).
Cuando se tienen dos sucesos mutuamente excluyentes y se quiere
determinar la probabilidad de obtener al menos uno de ellos; es decir
obtener A o B, pero nunca los dos al mismo tiempo.
P(A o B) = P(A) + P(B)

Pgina 20
Ejemplos:
Si en el lanzamiento de un dado definimos los eventos A como la
aparicin del nmero dos y B como la aparicin del nmero cinco.
Cul ser la probabilidad de obtener un dos o un cinco en un
lanzamiento del dado?
= +
P(A) = 6
1
P(b) = 6
P
AoB
1 1 2 1
+ = = = 0.333
6 6 6 3
Sea A el evento obtener un total siete puntos al lanzar dos dados y

B el evento de obtener un total de once Cul es la probabilidad de
obtener siete u once al lanzar los dos dados?
6
2
(7) = 36 ;
(11) = 36
= +
6
2
8
2
+
=
= = 0,222
36 36 36 9
1.8.1.2. Sucesos mutuamente no excluyentes o compatibles:

Dos o ms eventos son no excluyentes, o conjuntos, cuando es posible
que ocurran ambos. Esto no indica que necesariamente deban ocurrir
estos eventos en forma simultnea.
Son sucesos o eventos que tienen por lo menos un punto muestral o
evento simple en comn, la probabilidad de ocurrencia ser:
P(A o B) = P(A) + P(B) P(A B)
Ejemplos:
Se lanzan una moneda y un dado.Cul es la probabibilidad de
obtener cara en la moneda o un tres en el dado?
E = {(C1),(C2),(C3),(C4),(C5),C6),(S1),(S2),(S3),(S4),(S5),(S6)}
6
P(C) = 12 = 2
P(3) = 12 = 6
1
P(C3) = 12
Pgina 21
P(A o B) = P(A) + P(B) P(A B)

= P(C) + P(3) P(C3) =
6
2
1
7
+
=
= 0,583
12 12 12 12
En una pequea empresa ensambladora (50 trabajadores), se espera

que todos los trabajadores terminen su trabajo a tiempo y que pasen
la inspeccin final. A veces, alguno de los trabajadores no satisfacen
el estandar de desempeo, ya sea porque no terminan a tiempo su
trabajo o porque no ensamblan bien una pieza. Segn el informe del
jefe de produccin 5 de los 50 trabajadores no terminaron su trabajo a
tiempo, 6 de los 50 trabajadores ensamblaron mal una pieza y 2 de los
50 trabajadores no terminaron su trabajo a tiempo y armaron mal una
pieza.Cul es la probabilidad de que el jefe de produccin de a un
trabajador una calificacin baja de desempeo?
L = evento no se termin el trabajo a tiempo
D = evento se arm mal la pieza
5
P(L) = 50 = 0,10
6
P(D) = 50 = 0,12
2
P(LD) = 50 = 0,04
= P(L) + P(D) P(LD) = 0,10 + 0,12 0,04 = 0,18
1.8.2. Regla multiplicativa, probabilidad compuesta o regla de la Y:

1.8.2.1. Sucesos independientes:
Cuando la ocurrencia de un evento no afecta la ocurrencia de los dems
eventos, es decir, no afecta la probabilidad de los dems. Se asocia a la
idea de con reemplazamiento, cuando se extrae una carta, tarjeta,
ficha, etc., sta se coloca nuevamente en el lugar de donde provino y por
lo tanto no se alteran las probabilidades de los dems en la prxima
extraccin.
La probabilidad de ocurrencia de dos o ms sucesos cuando stos son
independientes es igual al producto de las probabilidades de cada uno de
ellos.
P(A x B) = P(A) x P(B)
Pgina 22
Ejemplos:
Se lanza un dado azul y uno blanco, sean los eventos: A obtener un
nmero menor o igual a cuatro en el dado blanco y B obtener un nmero
mayor o igual a cinco en el dado azul. Cul es la probabilidad de la
ocurrencia conjunta de A y B?
Evento A = nmero mayor o igual a 5 en dado azul
P(A) = 2/6
Evento B = nmero menor o igual a 4 en dado blanco
P(B) = 4/6
Espacio muestral:
D
(1,
6)
(2,
6)
(3,
6)
(4,
6)
(5,
6)
(6,
6)
(1,
5)
(2,
5)
(3,
5)
(4,
5)
(5,
5)
(6,
5)
(1,
4)
(2,
4)
(3,
4)
(4,
4)
(5,
4)
(6,
4)
(1,
3)
(2,
3)
(3,
3)
(4,
3)
(5,
3)
(6,
3)
(1,
2)
(2,
2)
(3,
2)
(4,
2)
(5,
2)
(6,
2)
(1,
1)
(2,
1)
(3,
1)
(4,
1)
(5,
1)
(6,
1)
A
D
O
A
Z
U
l
DADO BLANCO
2 4
8
P(AB) = PA . PB = . =
= 0,22
6 6 36
Una caja contiene 3 bolas rojas y 8 negras, todas del mismo material y del
mismo tamao. Si se extraen dos bolas en sucesin y con reemplazo
Cul es la probabilidad de que ambas sean rojas?
P(A y B) = P(A) . P(B)
P(A) =
P(A y B)

3
3
, P(B) =
11
11
3 3
9
=
.
=
11 11
11
Pgina 23
1.8.2.2. Sucesos dependientes:

Cuando la ocurrencia de un evento afecta la probabilidad de ocurrencia
de los dems. Se asocia a la idea de sin reemplazamiento, es decir,
que al hacer una extraccin de una ficha, tarjeta, carta, etc., sta queda
fuera del lugar de donde fue extrada, con lo cual se altera el nmero de
casos posibles en la siguiente extraccin, lo cual influye en las
respectivas probabilidades de los restantes elementos.
P(S1 x S2 x . X Sn) = P(S1) x P(S2/S1) x .. x P(Sn/Sn-1)
Ejemplos:
De una caja que contiene 6 bolas rojas, 4 blancas y 5 azules, se extraen 3
bolas sin reemplazo. Cul es la probabilidad de que sean extradas en el
orden roja, blanca y azul?
Suceso R = extraer una bola roja en la primera extraccin
P (R) = 6/15
Suceso B = extraer una bola blanca en la segunda extraccin P(B) = 4/14
Suceso A = extraer una bola azul en la tercera extraccin
P (A) = 5/13
Por ser eventos dependientes y requerirse que los eventos se den
conjuntamente, la probabilidad pedida viene dada por:
P(RyByA ) = P(R) P(B ) P

R
A
(
)
B.R
6 4 5
120
4
. .
=
=
= 0,04
15 14 13
2730 91
1.8.3. Probabilidad condicional:

Son aquellos sucesos cuya ocurrencia est condicionada a la ocurrencia de
otro suceso o hecho anterior.
Sea un espacio muestral en donde se ha definido un evento E, donde
p(E)0, si deseamos determinar la probabilidad de que ocurra un evento A
(el que tambin es definido en el mismo espacio muestral), dado que E ya
ocurri, entonces deseamos determinar una probabilidad de tipo
condicional, la que se determina como se muestra en la figura;

Pgina 24
Donde:
p(AE) = probabilidad de que ocurra A dado que E ya ocurri
p(AE) = probabilidad de que ocurra A y E a un mismo tiempo
p(E) = probabilidad de que ocurra E
Luego:
=
Por tanto:
=
=
Ejemplo:
Una clase de matemtica avanzada est formada por 10 estudiantes de
segundo ao, 30 de cuarto y 10 graduados. Tres estudiantes de
segundo, 10 de de cuarto ao y cinco graduados obtuvieron la
calificacin A. Si se selecciona al azar un estudiante y se encuentra que
su calificacin es A, Cul es la probabilidad de que sea graduado?
A = probabilidad de que obtenga calificacin A
B = probabilidad de que el estudiante sea graduado.

Pgina 25
=
=
=

1.8.4. Probabilidad Total:

Llamamos sistema completo de sucesos a una familia de sucesos A1, A2,
...,An que cumplen:
1. Son incompatibles dos a dos, Ai
Aj =
2. La unin de todos ellos es el suceso seguro,
Sea A1, A2, ...,An un sistema completo de sucesos tales que la probabilidad
de cada uno de ellos es distinta de cero, y sea B un suceso cualquier del que
se conocen las probabilidades condicionales P(B/Ai), entonces la
probabilidad del suceso B viene dada por la expresin:
Ejemplos:
Una compaa dedicada al transporte pblico explota tres lneas de una
ciudad, de forma que el 60% de los autobuses cubre el servicio de la
primero lnea, el 30% cubre la segunda y el 10% cubre el servicio de la
tercera lnea. Se sabe que la probabilidad de que, diariamente, un autobs
se avere es del 2%, 4% y 1%, respectivamente, para cada lnea.
Determina la probabilidad de que, en un da, un autobs sufra una avera.

Pgina 26
El suceso "sufrir una avera" (Av) puede producirse en las tres lneas, (L1,
L2, L3). Segn el teorema de la probabilidad total y teniendo en cuenta las
probabilidades del diagrama de rbol adjunto, tenemos:
P(Av)
P(L1) P(Av/L1) + P(L2)

=
0.6
0.02
+
0.3
= 0.012 + 0.012 + 0.001 = 0.025
P(Av/L2) +
0.04
+
P(L3)
0.1
P(Av/L3)
0.01
=
=
Una empresa del ramo de la alimentacin elabora sus productos en cuatro

factoras: F1, F2, F3 y F4. El porcentaje de produccin total que se fabrica
en cada factora es del 40%, 30%, 20% y 10%, respectivamente, y
adems el porcentaje de envasado incorrecto en cada factora es del 1%,
2%, 7% y 4%. Tomamos un producto de la empresa al azar. Cul es la
probabilidad de que se encuentre defectuosamente envasado?
Llamando M = "el producto est defectuosamente envasado", se tiene que
este producto puede proceder de cada una de las cuatro factoras y, por
tanto, segn el teorema de la probabilidad total y teniendo en cuenta las
probabilidades del diagrama de rbol siguiente, tenemos:
P(M) = P(F1) P(M/F1) + P(F2) P(M/F2) + P(F3) P(M/F3) + P(F4) P(M/F4) =

= 0.4 0.01 + 0.3 0.02 + 0.2 0.07 + 0.1 0.04 =
= 0.004 + 0.006 + 0.014 + 0.004 = 0.028

Pgina 27
1.9. Teorema de Bayes:

En el ao 1763, dos aos despus de la muerte de Thomas Bayes (17021761), se public una memoria en la que aparece, por vez primera, la
determinacin de la probabilidad de las causas a partir de los efectos que han
podido ser observados. El clculo de dichas probabilidades recibe el nombre
de teorema de Bayes.
Sea A1, A2, ...,An un sistema completo de sucesos, tales que la probabilidad de
cada uno de ellos es distinta de cero, y sea B un suceso cualquier del que se
conocen las probabilidades condicionales P(B/Ai), entonces la probabilidad
P(Ai/B) viene dada por la expresin:
Este teorema es aplicable cuando los eventos para los que se quiere aplicar la
probabilidad revisada son mutuamente excluyentes y su unin es todo el
espacio muestral, por lo tanto son eventos colectivamente exhaustivos.
Ejemplos:
Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente,
del total de las piezas producidas en una fbrica. Los porcentajes de
produccin defectuosa de estas mquinas son del 3%, 4% y 5%.
a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea
defectuosa.
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la
probabilidad de haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la citada
pieza defectuosa?
Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa". La
informacin del problema puede expresarse en el diagrama de rbol
adjunto.
a. Para calcular la probabilidad de que la pieza elegida sea defectuosa,
P(D), por la propiedad de la probabilidad total,

Pgina 28
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C) =

= 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038
b. Debemos calcular P(B/D). Por el teorema de Bayes,
c. Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D) ya

calculado. Aplicando el teorema de Bayes, obtenemos:
La mquina con mayor probabilidad de haber producido la pieza

defectuosa es A
Tenemos tres urnas: A con 3 bolas rojas y 5 negras, B con 2 bolas rojas y
1 negra y C con 2 bolas rojas y 3 negras. Escogemos una urna al azar y
extraemos una bola. Si la bola ha sido roja, cul es la probabilidad de
haber sido extrada de la urna A?

Pgina 29
Llamamos R = "sacar bola roja" y N= "sacar bola negra". En el diagrama

de rbol adjunto pueden verse las distintas probabilidades de ocurrencia
de los sucesos R o N para cada una de las tres urnas.
La probabilidad pedida es P(A/R). Utilizando el teorema de Bayes,
tenemos:
1.10 Bibliografa:
Anderson, D., Sweeney D., Williams T.
Estadstica
para
Administracin y Economa.
Ed. CENGAGE - Learning.
Dcima Edicin., Mxico.
2000.
Lipschutz S., Schiller J.
Introduccin a la Probabilidad
y Estadstica. Ed. Mc Graw
Hill Inc., Serie Schaum, 1
Ed., Madrid,1999.
Lpez Casuso, Rafael
Clculo de Probabilidades e
Inferencia
Estadstica.
Universidad Catlica Andrs

Pgina 30
Bello,
Cuarta
Caracas, 2006
Edicin,
Mendenhall W., Reinmuth J.
Estadstica
para
administracin y economa.
Ed.
Wadsworth
Internacional/Iberoamerica, 3
Ed., USA. 1978.
Rivas Gonzlez, Ernesto
Estadstica
General.
Universidad
Central
de
Venezuela. Ediciones de la
Biblioteca, Caracas, 1993.
Salama, David
Estadstica, Metodologa y
Aplicaciones.
Editorial
Principios, Primera Edicin,
Caracas, 1987.
Stevenson, W. J.
Estadstica
para
administracin y economa.
Ed. HARLA, 1 Ed., Mxico.
1982.
Universidad Pedaggica Experimental Libertador Estadstica General.

Manual
del
Estudiante.
Instituto de Mejoramiento
Profesional del Magisterio.
Caracas, 1994.
Universidad Nacional Simn Rodrguez

Estadstica II. Programa de

Estudios
Universitarios
Supervisados. Caracas. 1985.
Pgina 31

Unidad I Introduccion A La Teoria de Probabilidades

Enviado por

Dados do documento

Título original

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

Unidad I Introduccion A La Teoria de Probabilidades

Enviado por

Direitos autorais:

Formatos disponíveis

Captulo 1 : Introduccin a la teora de probabilidades

regularidades en la presencia de hechos casuales, pudiendo de esta forma

Actualmente, la aplicacin de la probabilidad es tan amplia que abarca

1.3. Experimento aleatorio y determinstico, espacio muestral,

1.3.1. Experimento determinstico y experimento aleatorio:

1.3.2. Espacio muestral:

M + N + .........+ W = nmero de maneras o formas

Cmo podemos distinguir cuando hacer uso del principio

ING. ORLANDO F. OCHOA CH.

Es muy simple, cuando se trata de una sola actividad, la cual

ING. ORLANDO F. OCHOA CH.

nPr = Permutaciones de r objetos tomadas de entre n objetos es:

Cn,r = Combinaciones de r objetos tomados de entre n objetos

25 x 24 x 23 x 22 x 21 = 6,375,600 maneras de formar una

= 25! / 20! = (25 x 24 x 23 x 22 x 21 x..x 1) / (20 x 19 x

En este caso nos interesan aquellos grupos que contengan

C8,3 * C6,2 = (8! / (8 3)!3!)*(6! / (6 2)!2!)

Los grupos de inters son = grupos con 4 hombres + grupos con 5

C6,5 * C80 = 15 x 8 + 6 x 1 = 120 + 6

2. Sin sustitucin (sin reemplazo):

nr = 1203 = 1,728,000 maneras de asignar los tres premios

= 120! / (120 3)! = 120! / 117! = 120 x 119 x 118 =

caso de que fueran de los afortunados. Esta es la forma en

ING. ORLANDO F. OCHOA CH.

El diagrama nos indica:

Un grupo de jvenes fue entrevistado acerca de sus preferencias por

ING. ORLANDO F. OCHOA CH.

III) No gustan del automvil: 9

Cul fue el nmero de personas entrevistadas?

Tratemos de volcar los datos en un diagrama de Venn para tres conjuntos.

Luego utilizaremos el dato VI), pues si consideramos todas las zonas,

Con lo que estamos en condiciones de responder a todas las preguntas:

ING. ORLANDO F. OCHOA CH.

1.3.3. Evento o suceso, punto muestral, suceso elemental o evento simple,

c) A = {No sale un nmero par}

ING. ORLANDO F. OCHOA CH.

Esta corriente es la ms antigua, y parte del supuesto de que todos los

ING. ORLANDO F. OCHOA CH.

Esta definicin se basa en las propiedades de estabilidad de las frecuencias

ING. ORLANDO F. OCHOA CH.

Esto se deriva de la condicin de que la suma de de todos los sucesos

1.8. Clculo de probabilidades:

ING. ORLANDO F. OCHOA CH.

Sea A el evento obtener un total siete puntos al lanzar dos dados y

1.8.1.2. Sucesos mutuamente no excluyentes o compatibles:

P(A o B) = P(A) + P(B) P(A B)

En una pequea empresa ensambladora (50 trabajadores), se espera

1.8.2. Regla multiplicativa, probabilidad compuesta o regla de la Y:

Evento B = nmero menor o igual a 4 en dado blanco

ING. ORLANDO F. OCHOA CH.

1.8.2.2. Sucesos dependientes:

P(RyByA ) = P(R) P(B ) P

1.8.3. Probabilidad condicional:

ING. ORLANDO F. OCHOA CH.

ING. ORLANDO F. OCHOA CH.

1.8.4. Probabilidad Total:

ING. ORLANDO F. OCHOA CH.

P(L1) P(Av/L1) + P(L2)

Una empresa del ramo de la alimentacin elabora sus productos en cuatro

P(M) = P(F1) P(M/F1) + P(F2) P(M/F2) + P(F3) P(M/F3) + P(F4) P(M/F4) =

ING. ORLANDO F. OCHOA CH.

1.9. Teorema de Bayes:

ING. ORLANDO F. OCHOA CH.