TECNICAS DE CONTEO

Análisis Combinatorio
Conjunto de procedimientos que permiten determinar el
número de resultados de un suceso o experimento, sin
necesidad de utilizar una enumeración directa de todos los
posibles resultados de dicho suceso.
 TECNICAS DE CONTEO
Principio de adición
Dados dos sucesos A y B, el número de resultados posibles
en que puede ocurrir el suceso A o el suceso B (A  B), es
dado por:
n( A  B ) = n( A ) + n( B ) - n( A  B )

n(A) = Nº de maneras en que puede ocurrir el suceso A.

n(B) = Nº de maneras en que puede ocurrir el suceso B.
n(A  B)= Nº de maneras en que pueden ocurrir los sucesos
A y B, simultáneamente.
 TECNICAS DE CONTEO
Principio de multiplicación
Dados los sucesos: A1, A2, A3, .... ; si el suceso A1 puede
ocurrir de n(A1) maneras diferentes, y luego de ocurrir A1,
puede ocurrir otro suceso A2 de n(A2) maneras diferentes, ,
y luego de ocurrir A2, puede ocurrir el suceso A3 de n(A3)
maneras diferentes, y así sucesivamente; entonces, el
número de maneras en que pueden ocurrir
consecutivamente los sucesos: A1, A2, A3, .... es dado por:

n( A1  A2  A3  ... ) = n( A1 ) x n( A2 ) x n( A3 ) x . . . . .
 TECNICAS DE CONTEO
Permutaciones
Una permutación de un conjunto de elementos es una
disposición de tales elementos de acuerdo a un orden
definido. En número de permutaciones de n elementos
tomados r cada vez (de r en r ) es dado por:

n!
n
Pr 
(n  r )!
n! n  (n  1)  (n  2)    3  2  1
0! 1
 TECNICAS DE CONTEO
Combinaciones
Una combinación de un conjunto de elementos es una
selección de tales elementos sin tener en cuenta su orden.
En número de combinaciones de n elementos tomados r
cada vez (de r en r ) es dado por :

 n  n!
r
  (n  r )! r!

n
Pr  n  n r
   r!   Pr
r r
 TECNICAS DE CONTEO
Permutaciones y combinaciones

MSR Se eligen 3
a, b,
elementos
c, d

En número de
resultados posibles

Con interés en el Sin interés en el

orden de selección orden de selección

Permutaciones Combinaciones
 TECNICAS DE CONTEO
Permutaciones y combinaciones

a, b,
c, d
MSR Grupos Arreglos (órdenes diferentes)
a, b, c a,b,c a,c,b b,a,c b,c,a c,a,b c,b,a
Se a, b, d a,b,d a,d,b b,a,d b,d,a d,a,b d,b,a
eligen 3
a, c, d a,c,d a,d,c c,a,d c,d,a d,a,c d,c,a
b, c, d b,c,d b,d,c c,b,d c,d,b d,b,c d,c,b
Combinaciones Permutaciones
 4  4!
4 4

4!
 24
 3 P3
  (4  3)! 3! (4  3)!
 TECNICAS DE CONTEO
Permutaciones de elementos semejantes
Viene a ser el conjunto de permutaciones o disposiciones
distinguibles que se pueden formar cuando algunos
elementos son semejantes. El número de permutaciones
de n elementos, de los cuales son iguales entre si
n1, n2, n3, ... , nk, ( n = n1 + n2 + n3 + ... + n1k ),
respectivamente, es dado por:

n!
n
Pn1 ,n2 ,,nk 
n1!n2!  nk !
 TECNICAS DE CONTEO
Permutaciones de elementos semejantes

MSR
a, b, Se eligen 3 elementos
c, c

Grupos Arreglos (órdenes diferentes)

c,b,a P1,1,1  6
3
a, b, c a,b,c a,c,b b,a,c b,c,a c,a,b
a, b, c a,b,c a,c,b b,a,c b,c,a c,a,b c,b,a
c,c,a P1,2  3
3
a, c, c a,c,c a,c,c c,a,c c,c,a c,a,c
b, c, c b,c,c b,c,c c,b,c c,c,b c,b,c c,c,b
P1,2  3
3

Nº de arreglos= P1,1,1  P1,2

3 3
 P1,2
3
 TECNICAS DE CONTEO
Resumen

N Se eligen al azar:
elementos ”n” elementos

MCR Aplicaciones

Nº de muestras n
posibles = N
Elemento : 1, 2, 3, . . . . . ., n
Ocurrencias: N, N, N, . . . . . ., N
Nº de ocurr: Nx Nx Nx . . . . . x N= Nn
 TECNICAS DE CONTEO
Resumen

N Se eligen al azar:
elementos ”n” elementos

¿El orden es
MSR
importante?

Si

Nº de muestras N!
P 
N
posibles
( N  n )!
n
 TECNICAS DE CONTEO
Resumen

N Se eligen al azar:
elementos ”n” elementos

¿El orden es
MSR
importante?

No

Nº de muestras  N  N!
  
 
posibles
n ( N  n )! n!
 PROBABILIDADES
Probabilidad
Es un número real que expresa la confianza o
incertidumbre en la ocurrencia de un suceso o evento,
cuyo resultado no se puede predecir con certeza.
Experimento aleatorio (E)
Un experimento aleatorio E es una operación cuyo
resultado no se puede predecir con certeza y que se
realiza bajo las siguientes condiciones:
 PROBABILIDADES
Experimento aleatorio (E)
Un experimento aleatorio E es una operación cuyo resultado
no se puede predecir con certeza y que se realiza bajo las
siguientes condiciones:

• Puede ser repetido bajo las mismas condiciones.

• Se puede describir el número de resultados posibles.
• Se puede establecer un modelo matemático, asociado a E.
Ejemplos:
E1 = { Lanzamiento de una moneda }
E2 = { Elección de un artículo }
 PROBABILIDADES
Espacio muestral ()
Es el conjunto de todos los resultados posibles de un
experimento aleatorio. Dependiendo de las características del
conjunto que se genera, se puede tener:

• Espacios muestrales finitos.

• Espacios muestrales infinitos.

> Espacios muestrales infinitos numerables.
> Espacios muestrales infinitos no numerables.
 PROBABILIDADES. Espacio muestral
1. Espacios muestrales finitos.
Son aquellos conformados por un número finito de elementos.

2. Espacios muestrales infinitos.

Son aquellos conformados por un número infinito de elementos.

2.1 Espacios muestrales infinitos numerables.

Si  es un conjunto numerable; es decir, si es posible asociar
un número natural con cada elemento de .

2.2 Espacios muestrales infinitos no numerables.

Si  es un conjunto no numerable; es decir, si no es posible
asociar un número natural con cada elemento de .
 PROBABILIDADES. Espacio muestral
(Otra clasificación)

1. Espacios muestrales discretos.

1.1 Espacios muestrales finitos.

Son aquellos conformados por un número finito de elementos.

1.2 Espacios muestrales infinitos numerables.

Si  es un conjunto numerable; es decir, si es posible asociar
un número natural con cada elemento de .

2. Espacios muestrales continuos, o no numerables

Si  es un conjunto no numerable; es decir, si no es posible
asociar un número natural con cada elemento de .
 PROBABILIDADES
Punto muestral ( oi )
Viene a ser cualquier elemento ( resultado posible) de .
Si  = { o1, o2, o3, ... , on }, luego  tiene n puntos muestrales.

Ejemplo: Exp. Aleatorio=E= {Elección de un contribuyente}

El espacio  estará conformado por puntos muestrales tales como:

o1: José Quispe

...
o2: Miguel Miranda

on: Berta Osorio

 PROBABILIDADES
Evento
Es cualquier subconjunto de un espacio muestral . Los eventos se
identifican mediante letras mayúsculas.

Ejemplo: Exp. Aleatorio=E= {Elección de un contribuyente}

Sobre  se puede definir eventos tales como:

A= { El contribuyente es del sexo femenino }

B= { El contribuyente es de soltero }

C= { El contribuyente tiene menos de 30 años }

 PROBABILIDADES
Tipos de eventos
Eventos mutuamente excluyentes
Dos eventos A y B son mutuamente excluyentes si no tienen
elementos comunes; es decir, si no pueden ocurrir
simultáneamente.
A= { El contribuyente tiene más de 40 años }
B= { El contribuyente tiene menos de 30 años }

Eventos complementarios
Dos eventos A y B son complementarios si son mutuamente
excluyentes y su unión es el espacio muestral.
A= { El contribuyente tiene 30 años o más }
B= { El contribuyente tiene menos de 30 años }
 Definiciones de probabilidad
Definición Clásica
Si un experimento aleatorio E tiene n() resultados "mutuamente
excluyentes e igualmente posibles", y si n(A) de tales resultados
están a favor de un evento A; entonces, la probabilidad de
ocurrencia del evento A es dada por:

PA 
n( A)
n ( )
 Definiciones de probabilidad
Definición de probabilidad a partir de frecuencias relativas
Si un experimento aleatorio E se repite n veces bajo las mismas
condiciones y nA resultados están a favor de un evento A, la
frecuencia relativa del evento es frA= nA / n y la probabilidad del
evento A es igual a:

PA   Lim frA  Lim

nA
n  n  n
 Definiciones de probabilidad
Definición axiomática de probabilidad
Sea E un experimento aleatorio,  su espacio muestral asociado y
A un evento cualquiera de . Un número real es P[A] llamado
probabilidad de ocurrencia del evento A, si satisface las siguientes
condiciones:
1. P[A] ·0
2. P[A]  1
3. Si A1, A2, A3, ... , Ak son k eventos de , los cuales son
mutuamente excluyentes; es decir, son eventos tales que:
Ai  Aj = ø  ij i,j = 1, 2, 3, ... , k, entonces,

 k
 k
P   A i    PA i 
i 1  i 1
 Propiedades de probabilidades
1. Si A y B son dos eventos de un espacio muestral ; entonces,
la probabilidad que ocurra el evento A o que ocurra el evento B
es dada por:
PA  B   PA  PB  PA  B

2. Si ø es el conjunto vacío; entonces, P[ ø ] = 0

3. Si  es el espacio muestral; entonces, P[  ] = 1

4. Si A y B son eventos mutuamente excluyentes; entonces,

P[ A  B ] = P[A] + P[B]
 Propiedades de probabilidades
5. Si A, B y C son eventos de un espacio muestral ; entonces,
PA  B  C   PA   PB  PC
 PA  B  PA  C  PB  C
 PA  B  C

6. Si A, B, C y D son eventos de un espacio muestral ; entonces,

PA  B  C  D  PA   PB  PC  PD

 PA  B  PA  C    PC  D
 PA  B  C    PB  C  D
 PA  B  C  D
 PROBABILIDADES: Ejemplo

Un proveedor de productos informáticos ha llevado a cabo un

estudio entre sus clientes acerca de la preferencia sobre tres
productos A, B y C. Encontró que el 50% prefieren A, el 37%
prefieren B y el 30% prefieren C. Además, el 12% prefieren A y B, el
8% prefieren sólo A y C, el 5 % prefieren sólo B y C, el 13%
prefieren sólo C, y el 4% prefieren A, B y C.

Si se elige al azar un cliente, halle la probabilidad que prefiera los

tres productos, o que prefiera sólo A, o que prefiera sólo B.
 PROBABILIDADES: Ejemplo
Un proveedor de productos informáticos ha llevado a cabo un
estudio entre sus clientes acerca de la preferencia sobre tres
productos A, B y C. Encontró que el 50% prefieren A, el 37%
prefieren B y el 30% prefieren C. Además, el 12% prefieren A y B, el
8% prefieren sólo A y C, el 5 % prefieren sólo B y C, el 13%
prefieren sólo C, y el 4% prefieren A, B y C.
P[A]=0.50 P[B]=0.37
A B P[C]=0.30
0.30
0.08 0.20 P[ A  B ]=0.12
0.08 0.04 P[ (A C)  Bc ]=0.08
0.05 P[(B C)  Ac ]=0.05
C 0.13 0.12 P[C  (A  B)c ]=0.13
P[A  B  C ]=0.04
 PROBABILIDADES: Ejemplo
A Si se elige al azar un
B
0.30 cliente, halle la probabilidad
0.08 0.20 que prefiera los tres
productos, o que prefiera
0.08 0.04
sólo A, o que prefiera sólo
0.05 B.

C 0.13 0.12

Q = P[(A  B  C)  {A  (B  C)c }  {B  (A  C)c }]

= P[A  B  C ] + P[ A  (B  C)c ] + P[B  (A  C)c ]
= 0.04 + 0.3 + 0.2
=0.54
 PROBABILIDADES: Ejemplo

En una empresa cuatro máquinas A, B, C y D producen artículos

similares en las siguientes proporciones: A produce el doble de D,
C produce el triple de D, mientras que A produce la mitad de B. Las
producciones de artículos no defectuosos de las cuatro máquinas
son respectivamente 95%,95%, 90% y 90%.

a) Si en un día se elige al azar un artículo, halle la probabilidad de

que resulte no defectuoso.
b) Si en un día se elige al azar un artículo y resulta defectuoso ¿de
qué máquina es más probable que provenga?
 Probabilidad Condicional
Si A y B son dos eventos de un espacio muestral ; entonces, la
probabilidad condicional que ocurra el evento A dado B es dada
por:
PA  B
 
PA
B

PB
, siendo PB  0


A B
 Probabilidad Condicional

PA  B
A B

PA B

PB
n(A  B)
n(  )
 n(B)
n(  )

n(A  B)

n(B)

El evento B es llamado, espacio muestral restringido”

 Propiedades de probabilidad condicional

1. 0  P[ A / B ]  1
2. P[  / B ] = 1
3. P[ A /  ] = P[ A ]
4. P[ A  B / C ] = P[ A / C ] + P[ B / C ] - P[ A  B / C ]
5. Si A1, A2, A3, ... , Ak son k eventos de , que son mutuamente
excluyentes; es decir, son eventos tales que: Ai  Aj = ø  ij
i, j = 1, 2, 3, ... , k, entonces,

k 
i1 Ai  k
P    P Ai / B 
B
  i 1
 
 Probabilidad Condicional: Ejemplo

Un proveedor de productos informáticos ha llevado a cabo un

estudio entre sus clientes acerca de la preferencia sobre tres
productos A, B y C. Encontró que el 50% prefieren A, el 37%
prefieren B y el 30% prefieren C. Además, el 12% prefieren A y B, el
8% prefieren sólo A y C, el 5 % prefieren sólo B y C, el 13%
prefieren sólo C, y el 4% prefieren A, B y C.

Si se elige al azar un cliente y se sabe que tiene preferencias por el

producto B, halle la probabilidad que prefiera también el producto
A, pero no el producto C.
 Probabilidad Condicional: Ejemplo
A Si se elige al azar un
B
0.30 cliente y se sabe que tiene
0.08 0.20 preferencias por el
producto B, halle la
0.08 0.04
probabilidad que prefiera
0.05 también el producto A, pero
no el producto C.
C 0.13 0.12

Q = P[A  Cc / B ]
= P[A  Cc  B ] / P[ B ]
= 0.08 / 0.37
= 8 / 37 =0.21622
 Teorema de multiplicación de probabilidades

1. P[ A  B ] = P[ A ] P[ B / A ]
P[ A  B ] = P[ B ] P[ A / B ]

Estas igualdades se deducen de:

PA  B
 
PA
B

PB
 
 PA  B  PB P A
B

PA  B
 
PB
A

PA 
 
 PA  B  PA  P B
A
 Teorema de multiplicación de probabilidades

2. P[ A  B  C] = P[ A ] P[ B / A ] P[ C / A  B ]
= P[ B ] P[ A / B ] P[ C / A  B ]
= P[ A  B ] P[ C / A  B ]

P[ A  B  C] = P[ A ] P[ C / A ] P[ B / A  C ]
= P[ C ] P[ A / C ] P[ B / A  C ]
= P[ A  C ] P[ B / A  C ]

P[ A  B  C] = P[ B ] P[ C / B ] P[ A / B  C ]
= P[ C ] P[ B / C ] P[ A / B  C ]
= P[ A  C ] P[ A / A  C ]
 Multiplicación de probabilidades: Ejemplo

Un empresa financiera califica de acuerdo a una tabla, las

solicitudes de crédito como de prioridad 1 o de prioridad 2.
Del total de solicitudes de crédito recibidas, el 30% son
calificadas de prioridad 1 y el 70% de prioridad 2. En una
reunión del directorio se han aprobado el 80% de solicitudes
de crédito de prioridad 1, y el 40% de prioridad 2. Si se elige
al azar una solicitud de crédito, hallar la probabilidad que sea
una solicitud aprobada.
A= Aprobada
S1= Prioridad 1
Solicitud D= Desaprobada
de crédito
S2= Prioridad 2
 Multiplicación de probabilidades: Ejemplo

1º 2º Evento

P[A/S1] A S1  A
P[D/S1] 0.8
P[S1] Evento Q:
S1 D S1  D
0.3 0.2 La solicitud
A S2  A es aprobada
0.4
0.7 S2
0.6 D S2  D
P[S2] P[A/S2] P[D/S2]
P[Q] = P[ S1  A ] + P[ S2  A ]
= P[ S1 ] P[ A / S1] + P[ S2 ] P[ A / S2]
= (0.3)(0.8) + (0.7)(0.4)
= 0.52
 Partición

Sean A1, A2, . . . , Ak eventos de un mismo espacio

muestral . Dichos eventos forman una partición de  si
son mutuamente excluyentes y colectivamente exhaustivos.
Es decir, si cumplen con las condiciones siguientes:

1. Ai  A j   ,  i  j
k
2.  Ai  
i 1
 Partición

A1 A2 A3
Condiciones

1. Ai  A j   ,  i  j
A4 A6 k
A5 2.  Ai  
i 1

1. A1  A 2   , A1  A3   ,, A5  A 6  
2. A1  A 2  A3  A 4  A5  A 6  
 Teorema de probabilidad total

Sean A1, A2, . . . , Ak eventos que forman una partición de

un espacio muestral ; y sea B otro evento cualquiera de .
Luego, la probabilidad del evento B se puede obtener de la
siguiente manera:

PB  P B  A1    B  A 2      B  A k 
k k
  P B  Ai    P Ai P B /A i 
i 1 i 1
 Teorema de probabilidad total


A2
PB  PB  A1     PB  A k 
A1 A3

k
  P B  A i 
B i 1
A4 k
A6   P A i P B /A i 
A5
i 1

PB  P B  A1    B  A 2      B  A 6 
6 6
  P B  Ai    P Ai P B /A i 
i 1 i 1
 Probabilidad total: Ejemplo

Un empresa financiera califica de acuerdo a una tabla, las

solicitudes de crédito como de prioridad 1, de prioridad 2 o de
prioridad 3. Del total de solicitudes de crédito recibidas, el
18% son calificadas de prioridad 1, el 32% de prioridad 2 y el
50% de prioridad 3. En una reunión del directorio se han
aprobado el 80% de solicitudes de crédito de prioridad 1, el
40% de prioridad 2 y el 18% de prioridad 3. Si se elige al azar
una solicitud de crédito, hallar la probabilidad que sea una
solicitud aprobada.
S1= Prioridad 1
Solicitud
de crédito S2= Prioridad 2
S3= Prioridad 3
 Probabilidad total: Ejemplo
S1 S2 S3 
P[S1]=0.18 P[A/S1]=0.8
A 0.144 0.128 0.09
P[S2]=0.32 P[A/S2]=0.4
0.036 0.192 0.41 P[S3]=0.50 P[A/S3]=0.18
D
0.18 0.32 0.50

P[A  S1]= P[ S1] P[A / S1]=(0.18)(0.8) =0.144

P[D  S1]= P[ S1] - P[A  S1]= 0.18 - 0.144 =0.036

P[A  S2]= P[S2] P[A / S2]=(0.32)(0.4) =0.128

P[D  S2]= P[ S2] - P[A  S2]= 0.32 - 0.128 =0.192
 Probabilidad total: Ejemplo
S1 S2 S3 
P[S1]=0.18 P[A/S1]=0.8
A 0.144 0.128 0.09
P[S2]=0.32 P[A/S2]=0.4
0.036 0.192 0.41 P[S3]=0.50 P[A/S3]=0.18
D
0.18 0.32 0.50

P[A ]= P[A  S1] + P[A  S2] + P[A  S3]

= 0.144 + 0.128 + 0.09
= 0.362
 Teorema Bayes


P B  A i 
PA i / B 
A2 A3
P B
A1

P B  A i 
 k
A4 B 
 P B Aj 
j 1
A6
A5

P B  A 2  P B  A 2 
PA 2 / B  
P B P B  A1   P B  A 2     P B  A 6 
P B  A 2 
 6
 P Ai P B /Ai 
i 1
 Teorema Bayes : Ejemplo

Un empresa financiera califica de acuerdo a una tabla, las

solicitudes de crédito como de prioridad 1, de prioridad 2 o de
prioridad 3. Del total de solicitudes de crédito recibidas, el
18% son calificadas de prioridad 1, el 32% de prioridad 2 y el
50% de prioridad 3. En una reunión del directorio se han
aprobado el 80% de solicitudes de crédito de prioridad 1, el
40% de prioridad 2 y el 18% de prioridad 3. Si se elige al azar
una solicitud de crédito y se sabe que fue aprobada, hallar la
probabilidad que haya sido clasificada como de prioridad 2.
S1= Prioridad 1
Solicitud
de crédito S2= Prioridad 2
S3= Prioridad 3
 Teorema Bayes : Ejemplo
S1 S2 S3 
P[S1]=0.18 P[A/S1]=0.8
A 0.144 0.128 0.09
P[S2]=0.32 P[A/S2]=0.4
0.036 0.192 0.41 P[S3]=0.50 P[A/S3]=0.18
D
0.18 0.32 0.50

P[A ]= P[A  S1] + P[A  S2] + P[A  S3]

= 0.144 + 0.128 + 0.09
= 0.362
 Teorema Bayes : Ejemplo
S1 S2 S3 
P[S1]=0.18 P[A/S1]=0.8
A 0.144 0.128 0.09
P[S2]=0.32 P[A/S2]=0.4
0.036 0.192 0.41 P[S3]=0.50 P[A/S3]=0.18
D
0.18 0.32 0.50 P[A ]= 0.362

P A  S2  P A  S2 
PS2 / A  
P A P A  S1   P A  S2   PA  S3 
0.128
  0.353592
0.144  0.128  0.09
 Independencia de dos eventos

Dos eventos A y B, de un mismo espacio muestral ,

son independientes si:

P A  B  PA PB

Dos eventos A y B, de un mismo espacio muestral ,

son dependientes si:

P A  B  PA PB
 Independencia de dos eventos

Dos eventos A y B, de un mismo espacio muestral ,

son independientes si:

P A / B  PA
P B / A  PB
Es decir, si la ocurrencia de uno de ellos no afecta a
la probabilidad de ocurrencia del otro evento.
 Independencia de dos eventos

Propiedades
I. Sean A y B son dos eventos de un espacio muestral  que
tienen probabilidad positiva (mayor que cero); luego, si A es
independiente de B, luego, B es independiente de A.

II. Si A y B son dos eventos independientes; luego, también lo

son los siguientes eventos:

1.
 
A y Bc  P A  Bc  PA P Bc 
2.
   
Ac y B  P Ac  B  P Ac PB

3.
    
Ac y Bc  P Ac  Bc  P Ac P Bc
 Independencia: Ejemplo

Un proveedor de productos informáticos ha llevado a cabo un

estudio entre sus clientes acerca de la preferencia sobre tres
productos A, B y C. Encontró que el 50% prefieren A, el 37%
prefieren B y el 30% prefieren C. Además, el 12% prefieren A y B, el
8% prefieren sólo A y C, el 5 % prefieren sólo B y C, el 13%
prefieren sólo C, y el 4% prefieren A, B y C.

¿Son los eventos A y B independientes?

 Independencia: Ejemplo
A B
0.30 P[A ]=0.5
0.08 0.20
P[ B]=0.37
0.08 0.04
P[A  B ]=0.12
0.05
C 0.13 0.12

Puesto que : P[A] P[ B ]= (0.5)(0.37)=0.185

Luego, P A  B  PA PB

Por lo tanto A y B son eventos dependientes.

 Independencia de tres eventos

Tres eventos A, B y C, de un mismo espacio muestral , se dice

que son mutuamente independientes si cumplen las siguientes
condiciones:

1. P A  B  PA PB

2. P A  C  PA PC

3. P B  C  PB PC

4. P A  B  C  PA PB PC

 Independencia de tres eventos

Teorema. Si A, B y C son tres eventos mutuamente

independientes sobre un mismo espacio muestral ; luego,
también lo son los siguientes eventos:

1. A y (B  C)  P A  (B  C)  PA PB  C

2. B y (A  C)  P B  (A  C)  PB PA  C

3.     
Ac y (B  Cc)  P Ac  (B  Cc )  P Ac P B  Cc

4. Ac, B y C  P A c
 B  C  PA  PB PC
c
 Independencia: Ejemplo

Un proveedor de productos informáticos ha llevado a cabo un

estudio entre sus clientes acerca de la preferencia sobre tres
productos A, B y C. Encontró que el 50% prefieren A, el 37%
prefieren B y el 30% prefieren C. Además, el 12% prefieren A y B, el
8% prefieren sólo A y C, el 5 % prefieren sólo B y C, el 13%
prefieren sólo C, y el 4% prefieren A, B y C.

¿Son los eventos A, B y C mutuamente independientes?

 Independencia: Ejemplo
A B
0.30 P[A ]=0.5
0.08 0.20
P[ B]=0.37
0.08 0.04
P[C ]=0.30
0.05
C 0.13 0.12

P[A] P[ B ]=0.185  P[A  B]=0.12

P[A] P[ C ]=0.150  P[A  C]=0.12
P[B] P[ C ]=0.111  P[B  C]=0.09
P[A] P[B] P[ C ]=0.0888  P[A  B  C]=0.04

Por lo tanto A,B y C son eventos dependientes.

 Probabilidad en espacios muestrales
infinitos
A) Para espacios muestrales infinitos numerables

La evaluación de una probabilidad en espacios

muestrales infinitos numerables se efectúa de manera
similar a lo descrito anteriormente.
 A) Probabilidad en espacios muestrales
infinitos numerables. Ejemplo
En la elaboración del artículo XX, la producción de un
artículo se realiza solamente cuando artículo anterior no
resultó defectuoso; en caso contrario se realizan los ajustes
necesarios antes de reiniciar la producción. En el proceso de
producción se ha encontrado que la probabilidad de producir
un artículo defectuoso es 0.12.

a) ¿Cuál es la probabilidad que el primer artículo defectuoso

aparezca después de producir el noveno artículo?

b) Si se conoce que el primer artículo defectuoso apareció

después de producir el artículo 9, ¿cuál es la probabilidad
que el primer artículo defectuoso aparezca después de
producir el artículo 17?
 A) Probabilidad en espacios muestrales
infinitos numerables. Ejemplo
Sean los eventos: Di= { El artículo “i” producido es defectuoso}
Bi= { El artículo “i” producido no es defectuoso}

1º 2º 3º ... Resultado
D1 D1
B1
P[ Di ] =0.12
D2 B1, D2
P[ Bi ] =0.88
B2 D3 B1, B2, D3
B3 ..
.
= { (D1), (B1,D2), (B1,B2,D3), . . . . .}
 A) Probabilidad en espacios muestrales
infinitos numerables. Ejemplo
a) ¿Cuál es la probabilidad que el primer artículo defectuoso
aparezca después de producir el noveno artículo?
Sea Q= { El primer defectuoso aparece después de artículo 9 }

8º 9º 10º ... Resultado

D8 B1,. . ., B7, D8
B8 D9 B1,. . ., B8, D9
B9 D10 B1,. . ., B9, D10
B10 ..
.
Q= { (B1,...,B9,D10), (B1,...,B10,D11), . . . . .}
 A) Probabilidad en espacios muestrales
infinitos numerables. Ejemplo
a) ¿Cuál es la probabilidad que el primer artículo defectuoso
aparezca después de producir el noveno artículo?
Q= { (B1,...,B9,D10), (B1,...,B10,D11), . . . . .} P[ Di ] =0.12

P[Q] = P[(B1,...,B9,D10) U (B1,...,B10,D11) U ...... ] P[ Bi ] =0.88

= P[ B1,...,B9,D10 ] + P[ B1,...,B10,D11] + .....

= P[ B1] P[ B2] x.... x P[ D10 ] + P[ B1] x.... x P[ D11 ] + .....
= (0.88)(0.88)x...x(0.12) + (0.88)(0.88)x...x(0.12) + .....
= (0.88)9(0.12) + (0.88)10 (0.12) + .....
= (0.88)9(0.12) [ 1 + 0.88 + (0.88)2 + ..... ]
= (0.88)9(0.12) [ 1 / (1 - 0.88 ) ] = (0.88)9
 Probabilidad en espacios muestrales
infinitos
B) Para espacios muestrales infinitos no numerables

Para la evaluación de una probabilidad en espacios

muestrales infinitos no numerables debe tenerse en
cuenta la dimensión del espacio asociado a , y la forma
de medir la magnitud dentro de dicho espacio.

Tipo de espacio Unidad de medida

Unidimensional Distancia
Bidimensional Area
Tridimensional Volumen
 B) Probabilidad en espacios muestrales
infinitos no numerables. Ejemplo
Si se elige al azar un punto, dentro del intervalo 14  x  30.
Hallar la probabilidad que el valor elegido sea menor que 18.

Para este experimento aleatorio se tiene:

 = { x / 14  x  30 , x  R } , y n() =  30 -14  =16

A = { x / x <18 , x  R } , y n(A) =  18 -14  = 4

 P[A] = n(A) / n() = 4/16 = 1/4

 B) Probabilidad en espacios muestrales
infinitos no numerables. Ejemplo
Suponga que las utilidades de dos empresas X e Y se
distribuyen uniformemente en la región definida por el
círculo: X2 + Y2  16.

Hallar la probabilidad que la suma de las utilidades sea

mayor a 4 u.m.

Para este experimento aleatorio se tiene:

 = { (x,y) / x2 +y2  16, (x,y) R2 } , y n()= (4)2 =16

A = { (x,y) / x+y >4, (x,y)  }

 B) Probabilidad en espacios muestrales
infinitos no numerables. Ejemplo
 = { (x,y) / x2 +y2  16, (x,y) R2 } , y n()= (4)2 =16

A = { (x,y) / x+y >4, (x,y)  }

 B) Probabilidad en espacios muestrales
infinitos no numerables. Ejemplo
n()= (4)2 =16; A = { (x,y) / x+y >4, (x,y)  }

n(A)= (4)2 =(16 /4) – (4x4 /2)

 B) Probabilidad en espacios muestrales
infinitos no numerables. Ejemplo
n()= (4)2 =16; A = { (x,y) / x+y >4, (x,y)  }

n(A)= (4)2 =(16 /4) – (4x4 /2)= 4 – 8

P[A] = n(A) /n() = (4- 8) /16  = (- 2 )/ 4

= 0.090845056