PDF

Probabilidad
y estadstica
Aplicaciones
a la ingeniera
y las ciencias
Eduardo Gutirrez Gonzlez
Profesor de matemticas de la UPIICSAIPN
Seccin de Estudios de Posgrado e Investigacin
Olga Vladimirovna Panteleeva
Profesora de matemticas de la UACH
rea de matemticas
PRIMERA EDICIN
MXICO, 2014
00 Probabilidad Preliminares.indd 1 6/26/14 8:12 PM

info editorialpatria.com.mx
www.editorialpatria.com.mx
Direccin editorial: Javier Enrique Callejas

Coordinadora editorial: Estela Delfn Ramrez
Supervisor de preprensa: Gerardo Briones Gonzlez
Diseo de portada: Juan Bernardo Rosado Sols/Signx
Imgenes: Adrian Zamorategui Berber
Fotografas: Thinkstockphoto
Revisin Tcnica:
Alex Polo Velzquez
Universidad Autnoma Metropolitana-Azcapotzalco
Probabilidad y estadstica. Aplicaciones a la ingeniera y las ciencias

Derechos reservados:
2014, Eduardo Gutirrez Gnzalez/ Olga Vladimirovna Panteleeva
2014, Grupo Editorial Patria, S.A. de C.V.
Renacimiento 180, Colonia San Juan Tlihuaca
Azcapotzalco, Mxico D. F.
Miembro de la Cmara Nacional de la Industrial Editorial Mexicana

Registro Nm. 43
ISBN: 978-607-438-766-7
Queda prohibida la reproduccin o transmisin total o parcial del contenido de la presenta obra en cuales-
quiera formas, sean electrnicas o mecnicas, sin el consentimiento previo y por escrito del editor.
Impreso en Mxico
Printed in Mexico
Primera edicin: 2014

Eduardo Gutirrez Gonzlez
Doctor en Ciencias (f sico-matemticas), realiz estudios de licenciatura, maestra y doctorado en la Universidad Estatal de San
Petersburgo, Federacin Rusa en anlisis matemtico de 1984-1994. Doctor en Ciencias (estadstica), realiz estudios de maestra de
2002-2004 y doctorado de 2005-2009 en el Colegio de Posgraduados-Mxico en el programa en Estadstica. Maestro en ingeniera,
realiz estudios de maestra en el Posgrado de Ingeniera de la UNAM-Mxico, en Ingeniera de Sistemas en el campo disciplinario
de Investigacin de Operaciones de 2004-2006. Actualmente acadmico de tiempo completo en la Seccin de Estudios de Posgrado
e Investigacin de UPIICSA-IPN, becario por la DEDICT-COFAA y E.D.D.
Olga Vladimirovna Panteleeva

Maestra en Ciencias Fsico-Matemticas (matemticas aplicadas), realiz estudios de licenciatura y maestra en la Universidad Es
tatal de San Petersburgo, Federacin Rusa, en Matemticas aplicadas y procesos de control de 1986-1992. Doctora en Ciencias (esta-
dstica), realiz estudios de maestra de 2005-2007 y doctorado de 2008-2012 en el Colegio de Posgraduados-Mxico en el programa
en Estadstica. Actualmente acadmica de tiempo completo en la Universidad Autnoma de Chapingo en el rea de matemticas.
Agradecimientos
Cuando se termina una obra existen infinidad de compaeros y colegas a los que se les debe en cierta forma la conclusin de esta y
sin hacer a un lado a nadie, agradecemos infinitamente a todos nuestros compaeros de trabajo, tanto de las Academias de Matem-
ticas como de Investigacin de Operaciones y de la Seccin de Graduados de UPIICSA-IPN, as como a los compaeros del Programa
en Estadstica del colegio de Posgraduados campus montecillo, donde adquirimos grandes conocimientos sobre la probabilidad y la
estadstica que han hecho posible la escritura de este texto. Muy en particular agradecemos a los compaeros del grupo Gitam (Gru-
po de Investigacin y Trabajos Acadmicos de Matemticas, de las academias de matemticas de UPIICSA-IPN, fundado en 2013) a
travs de la lnea 2 de investigacin sobre probabilidad y estadstica por las aportaciones obtenidas durante el Seminario de Probabi-
lidad y Estadstica (2013--), as como a los integrantes del Diplomado en Formacin Docente en Probabilidad y Estadstica con vigen-
cia 2013-2015. Por ltimo, agradecemos a todos los revisores de la editorial cuyas contribuciones han sido inmejorables para que el
texto tenga una mejor presentacin y calidad en su desarrollo.
Eduardo Gutirrez y Olga Vladimirovna

Prefacio
Palabras de los autores revisan algunas aplicaciones de los datos no agrupados a in

versiones. En el captulo 10 realizamos un trabajo bastante
En trminos generales el libro est divido en tres partes. En la completo sobre la estadstica descriptiva para datos agrupados.
primera trabajamos con los fenmenos probabilsticos; en la se- Estudiamos las clases de frecuencias y sus medidas centrales
gunda con la estadstica tanto descriptiva como inferencial y (antes mencionadas) y cuantiles. Agregamos un apartado para
enla tercera los modelos de regresin lineales. Con estas tres las grficas de las clases de frecuencia, con las que se analizan
partes, el libro se perfecciona con un avance completo de los con las distribuciones de los datos; simetra, sesgo y curtosis. Por l-
ceptos bsicos que tienen mayor aplicacin en problemas prc- timo, revisamos la tcnica grfica Q-Q, para realizar una prue-
ticos de las diferentes esferas de la ingeniera. ba de bondad de ajuste.
La primera parte del libro inicia con la explicacin de las El estudio sobre las distribuciones muestrales lo iniciamos
diferentes corrientes que existen en la asignacin de probabili- en el captulo 11 donde se explica a detalle sobre las distribucio-
dades a un suceso. Durante los primeros tres captulos se realiza nes muestrales de la media y diferencia de medias para varia-
una construccin matemtica de la teora de las probabilidades, bles normales. Ampliamos las distribuciones muestrales para
apoyada con los espacios muestrales, el lgebra de eventos, tc- lasuma y el promedio de las distribuciones ms comunes estu-
nicas de conteo, probabilidad condicional y eventos indepen- diadas en la teora de las probabilidades. Es decir, en el caso dis-
dientes. creto, hablamos sobre las distribuciones Bernoulli, binomial,
En los captulos 4 al 8 se introduce al estudio de las funcio- geomtrica, Poisson, etc., mientras que en el caso continuo nos
nes al clculo de probabilidades, por medio del concepto de referimos a la familia exponencial, beta, Pareto, etc. Continua-
variables aleatorias. Es decir, de manera ms formal se inicia el mos el captulo con una breve introduccin sobre las estads
uso de funciones, tanto discretas como continuas, en el de ticas de orden. Al final, hacemos una revisin detallada del
sarrollo de la teora de las probabilidades. El paso que se da en Teorema Central del Lmite en sus diferentes presentaciones,
estos captulos es uno de los ms trascendentales en el desarrollo media, suma y distribuciones especficas.
de la obra, debido a la introduccin a las funciones en el es En el captulo 12 se habla de manera breve sobre los estima
tudio de las probabilidades, formaliza la creacin de una ver dores puntuales y sus propiedades ms importantes: suficiencia,
dadera ciencia matemtica de las probabilidades. El captulo 8 insesgamiento, eficiencia relativa y varianza mnima. Veremos
tiene una relevancia terica que forma el vnculo para pasar de algunas propiedades asintticas deseables de una sucesin de
la probabilidad a la estadstica. En este captulo se revisan las estimadores. Despus, revisamos con mucho detalle los inter-
transformaciones de las variables aleatorias por medio de los valos de confianza. Iniciamos con los conceptos bsicos sobre
mtodos ms comunes como: la funcin de distribucin acumu las propiedades de un buen intervalo de confianza, con estos
lada, la funcin generatriz de momento y la tcnica de los ja conceptos revisamos a detalle la parte metodolgica de los
cobianos. Con estas tcnicas se sustenta la demostracin de la intervalos de confianza para los parmetros de poblaciones
mayora de frmulas que utilizamos en la segunda parte del tex normales o aproximadamente normales, para una poblacin
to sobre la estadstica inferencial. y comparacin de estas. Al final con intervalos de confianza
La segunda parte del libro la dedicamos al estudio de la para proporciones y diferencia de proporciones en muestras
estadstica; se inicia en los captulos 9 y 10 con la parte descrip- grandes.
tiva. En el captulo 9 revisamos la estadstica descriptiva para da En el captulo 13 hacemos una revisin similar a la del cap-
tos no agrupados, donde analizamos las diferentes medidas, tanto tulo 12, pero ahora utilizamos las pruebas de hiptesis. Se inicia
centrales como de desviacin. Dentro de las medidas centrales con la descripcin de los conceptos bsicos sobre pruebas de
estudiamos la media, mediana, moda, media geomtrica, me- hiptesis y su metodologa. Primero revisamos qu es una hip-
dia ponderada, media armnica y cuantiles. En las medidas de tesis estadstica y cules son los errores que cometemos al lle-
desviacin analizamos el rango, la varianza y la desviacin es- vara cabo una prueba. Asimismo, tratamos a detalle la potencia
tndar. Revisamos los coeficientes de variacin y covarianza, y de la prueba. Hacemos un resumen de los casos ms comunes
los parmetros de forma para un conjunto de datos; al final se en las pruebas de hiptesis: simple contra simple, simple contra

Prefacio v
compuesta y compuesta contra compuesta, donde tratamos so- Toma de decisiones

bre la prueba uniformemente ms potente. Al final,revisamos a Evaluacin de proyectos
detalle la parte metodolgica de las pruebas dehiptesis para Entre muchas otras
los parmetros de poblaciones normales o aproximadamente
normales y poblaciones tipo Bernoulli.
En la tercera parte del texto en un solo captulo hacemos Unas palabras del estilo
una revisin detallada de los modelos de regresin tanto sim- y forma de escritura
ples como mltiples. En el primer caso explicamos cmo llevar
a cabo un anlisis sobre la regresin, desde la construccin de El estilo de escritura del libro es muy sencillo, muestra con
un diagrama de dispersin, hasta los intervalos de confianza y ceptos que son la base para los desarrollos tericos. Cada tema
pruebas de hiptesis de los parmetros de regresin. Durante el tratado en el libro est reforzado por una gran cantidad de
desarrollo de los resultados de una regresin vemos cmo en- ejemplos y ejercicios prcticos, en cada seccin abarcan di
contrar e interpretar su ecuacin, cmo obtener predicciones ferentes formas de ver un problema (en total se tienen ms de
y cmo calcular intervalos de confianza para estas. Con la 1600 ejercicios que incluyen ms de 2800 incisos). Las solu
regresin mltiple ampliamos los modelos a regresiones curvi- ciones y sugerencias a la mayora de los problemas estn en
lneas, casos con errores multiplicativos y problemas de Cobb- el CD-ROM y fueron hechas en Excel-Microsoft bajo la con
Douglas. Adems de explicar a detalle los diferentes problemas sideracin de todos los dgitos, por estas razones las solucio-
que se pueden presentar con las observaciones de una muestra nesque obtenga el lector pueden variar ligeramente respecto a
como puede ser la multicolinealidad, datos aberrantes, trans- lasmostradas en el CD-ROM, pero estas variaciones deben ser
formaciones Box-Cox para variables de respuesta no normales, mnimas.
etctera. El libro est escrito de la siguiente forma: Cada seccin se
Sin importar los avances que tengamos en computacin y escribe con el nmero del captulo al que pertenece, seguida de
en la teora de la estadstica en los textos metodolgicos so- un punto y el nmero correspondiente a la seccin dada; se ini-
breaplicaciones de la estadstica inferencial se conserva el viejo cia con la seccin uno en cada captulo. Ejemplo 4.3, significa la
esquema del uso exclusivo de la distribucin normal para las seccin 3 del captulo 4. En el caso de las subsecciones, se utiliza
frmulas y mtodos que se acostumbra usar en los intervalos de una tipograf a diferente para diferenciarlos.
confianza y prueba de hiptesis. Por otro lado, los textos que
hablan sobre las bases tericas para diferentes tipos de distri
buciones resultan ser demasiado tericos de manera que a un
Bases tericas requeridas
lector sin formacin matemtica se le dificulta comprender el Para la comprensin de los temas se requiere solo conoci
desarrollo del libro. mientos bsicos de los cursos de clculo diferencial e integral.
En la presente obra damos un enfoque terico y metodol- En algunos temas tal vez no sea necesario el manejo de las
gico. As, el lector que solo tenga inters en la parte metodolgi- demostraciones, pero en los ejemplos y ejercicios correspon-
ca de la estadstica descriptiva e inferencial podr avanzar en su dientes s.
estudio sin problemas. De manera paralela a la metodologa
damos un desarrollo terico de la probabilidad, as como de la
estadstica descriptiva e inferencial. De esta manera los lectores Objetivos del texto
ms avanzados podrn comprender las bases tericas para la El objetivo de este libro es presentar, a los futuros profesionistas,
creacin de otros estimadores puntuales de los parmetros de herramientas cuantitativas que puedan aplicar en los problemas
poblaciones diferentes a la normal. Es decir, con estas bases los que les corresponda resolver dentro de su mbito laboral, y as
lectores ms avanzados estarn en posibilidad de construir in- llegar a una mejor toma de decisiones. Al final del texto espe
tervalos de confianza y llevar a cabo pruebas de hiptesis para ramos que el lector sea capaz de:
parmetros de poblaciones diferentes a la normal.
Otra aportacin de transcendencia de la presente obra con Describir las diferentes corrientes de la probabilidad de
respecto a otras reside en que la parte de probabilidad la mayo- eventos.
ra de los autores se refieren a esta como un simple escaln para Definir el concepto de variable aleatoria.
el desarrollo de la estadstica. En este texto mostramos parte de Nombrar los tipos de modelos discretos y continuos ms
su importancia, adems de resaltar las aplicaciones actuales comunes.
dela teora de las probabilidades, en diferentes reas de las cien- Identificar el tipo de modelo al que pertenece el experi-
cias, por ejemplo: mento.
Ejemplificar las diferentes corrientes de probabilidad y los
Administracin modelos ms comunes de probabilidad.
Ingeniera Resolver problemas para el clculo de probabilidades.
Informtica Aplicar los diferentes modelos en su rea de trabajo.
Simulacin de sistemas Proponer e investigar experimentos aleatorios para crear
Control de calidad modelos probabilsticos.

vi Prefacio
Describir las diferentes tcnicas de la estadstica descripti- Aplicar las inferencias a su rea laboral.
va, para llevar a cabo un estudio detallado del comporta- Experimentar desde el punto de vista de la estadstica in-
miento de los datos. ferencial.
Definir los conceptos de parmetros y estadsticos. Proponer e investigar experimentos donde se tengan dis-
Nombrar las diferentes tcnicas que se pueden utilizar tribuciones muestrales para hacer inferencias con respecto
para realizar inferencias. a sus parmetros.
Identificar en un problema dado, cundo un dato se refie- Aplicar la regresin lineal para determinar relaciones en-
re a un parmetro y cundo a un estadstico. tre variables y poder lograr hacer predicciones en situacio-
Ejemplificar las diferentes tcnicas para estimar un par- nes de su rea laboral.
metro, tanto puntual como por intervalos.

Contenido
Agradecimientos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iii
Prefacio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . iv
captulo 1 Bases de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

1.1 Modelos determinsticos y probabilsticos. . . . . . . . . . . . . . . . . . . . 3
1.2 Interpretaciones de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . 8
Corriente frecuentista . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Corriente clsica (a priori) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Corriente subjetivista. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
Corriente bayesiana (a posteriori) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.3 lgebra de eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Conceptos fundamentales de eventos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
Relaciones fundamentales entre eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
Diagramas de Venn-Euler. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Operaciones fundamentales entre eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
Particiones de eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Generalizacin de la unin e interseccin de eventos. . . . . . . . . . . . . . . . . . . . 18
Leyes del lgebra de eventos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.4 Axiomatizacin de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . 21
captulo 2 Tcnicas de conteo y probabilidad. . . . . . . . . . . . . . . . . . . . . . . 31

2.1 Regla de la multiplicacin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.2 Diagrama de rbol. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.3 Arreglos con y sin repeticin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Arreglos con repeticin (reemplazo). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Arreglos sin repeticin: permutaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
Permutaciones con elementos indistinguibles . . . . . . . . . . . . . . . . . . . . . . . . . 37
Permutaciones circulares. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

viii Contenido
2.4 Combinaciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
Propiedades en el clculo de Ckn . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Combinatorias multinomiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
2.5 Regla de la suma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2.6 Aplicacin de las tcnicas de conteo a la probabilidad. . . . . . . . . . 46
captulo 3 Probabilidad condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.1 Probabilidad condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Comprobacin de los axiomas de Kolmogrov para P(AB). . . . . . . . . . . . . . . 61
Tabla de probabilidad conjunta. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
3.2 Regla de la multiplicacin de probabilidades. . . . . . . . . . . . . . . . . . 65
Generalizacin de la regla de multiplicacin de probabilidades . . . . . . . . . . . . 66
Empleo de los diagramas de rbol en la probabilidad condicional . . . . . . . . . . 67
3.3 Teorema de Bayes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.4 Eventos independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
Elecciones sin reemplazo en poblaciones grandes. . . . . . . . . . . . . . . . . . . . . . 81
Generalizacin de eventos independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
Eventos independientes aplicados a circuitos . . . . . . . . . . . . . . . . . . . . . . . . . 83
captulo 4 Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . 95

4.1 Variables aleatorias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
Generalizacin de la asignacin de probabilidades a los valores de la variable. 98
4.2 Variables aleatorias discretas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
Distribucin de probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4.3 Funcin de una variable aleatoria discreta . . . . . . . . . . . . . . . . . . . 103
4.4 Valor esperado de una vad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
Propiedades del valor esperado de una vad. . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.5 Variancia de una vad . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
Propiedades de la variancia de una vad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
4.6 Generadores de nmeros aleatorios discretos. . . . . . . . . . . . . . . . . 114
captulo 5 Modelos discretos de probabilidad . . . . . . . . . . . . . . . . . . . . . . 123

5.1 Modelo uniforme discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
Clculo de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125

Contenido ix
5.2 Modelos de Bernoulli y binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . 126

Notacin de la funcin de distribucin acumulada . . . . . . . . . . . . . . . . . . . . . . 129
Clculo de probabilidades de los modelos binomiales y uso
de tablas binomiales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130
Modelos aproximadamente binomiales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
5.3 Modelo geomtrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
Clculo de probabilidades de un modelo geomtrico . . . . . . . . . . . . . . . . . . . . 137
5.4 Modelo de Pascal o binomial negativa . . . . . . . . . . . . . . . . . . . . . . 139
5.5 Modelo hipergeomtrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

Aproximacin hipergeomtrica por binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5.6 Modelo de Poisson. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 148
Clculo de probabilidades de modelos de Poisson y uso de tablas. . . . . . . . . . 150
Aproximacin de la binomial por Poisson . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
captulo 6 Variables aleatorias continuas. . . . . . . . . . . . . . . . . . . . . . . . . . 165

6.1 Variables aleatorias continuas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Funcin de densidad de probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167
Funcin acumulada de una variable aleatoria continua . . . . . . . . . . . . . . . . . . 169
Propiedades de una funcin de distribucin acumulada. . . . . . . . . . . . . . . . . . 169
Clculo de probabilidades mediante la funcin de distribucin acumulada. . . . 172
6.2 Valor esperado y variancia de una variable aleatoria continua . . . . 174
Propiedades del valor esperado de una vac. . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Variancia de una variable aleatoria continua. . . . . . . . . . . . . . . . . . . . . . . . . . . 174
Propiedades de la variancia de una vac. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
6.3 Desigualdad de Chebyshev. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 177
6.4 Generadores de nmeros aleatorios con la funcin
de distribucin acumulada, caso continuo . . . . . . . . . . . . . . . . . . . 179
captulo 7 Modelos continuos de probabilidad. . . . . . . . . . . . . . . . . . . . . . 189

7.1 Modelo uniforme continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190
7.2 Modelo triangular. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
7.3 Modelo exponencial. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 197
Relacin entre las distribuciones exponencial y de Poisson . . . . . . . . . . . . . . . 200
7.4 Modelo normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 201
Clculo de probabilidades . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203

x Contenido
Propiedades de la distribucin normal estndar. . . . . . . . . . . . . . . . . . . . . . . . 205

Uso de tablas de la funcin acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
Uso de tablas porcentuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
7.5 Aproximacin de la binomial por la normal. . . . . . . . . . . . . . . . . . . 211
7.6 Modelos de probabilidad tipo gamma. . . . . . . . . . . . . . . . . . . . . . . 213
Propiedades de la funcin gamma. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 214
7.7 Modelos de probabilidad tipo Erlang. . . . . . . . . . . . . . . . . . . . . . . . 217
7.8 Modelos de probabilidad tipo Weibull. . . . . . . . . . . . . . . . . . . . . . . 217
7.9 Modelos lognormal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
7.10 Modelos de probabilidad tipo beta . . . . . . . . . . . . . . . . . . . . . . . . . 222
7.11Distribucin ji cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 226
Uso de tablas de la distribucin ji cuadrada. . . . . . . . . . . . . . . . . . . . . . . . . . . 226
7.12 Distribucin t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
Uso de tablas de la distribucin t-Student . . . . . . . . . . . . . . . . . . . . . . . . . . . . 228
7.13 Distribucin F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
Uso de tablas de la distribucin F. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 230
captulo 8 Variables aleatorias conjuntas y transformaciones. . . . . . . . . . . 241

8.1 Multivariables discretas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
Distribucin de probabilidad conjunta discreta. . . . . . . . . . . . . . . . . . . . . . . . . 242
Funcin de distribucin acumulada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 243
Funcin de probabilidad marginal . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
Funcin de probabilidad condicional . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
Variables aleatorias independientes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
Valor esperado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
Covariancia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Distribucin multinomial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 254
8.2 Multivariables continuas. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
8.3 Transformacin de variables con la funcin de distribucin
acumulada. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Caso discreto. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
Caso continuo . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
8.4 Funciones generadoras de momentos . . . . . . . . . . . . . . . . . . . . . . 267
Momentos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 267
Funcin generatriz de momentos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Funcin generatriz de momentos y variables independientes. . . . . . . . . . . . . . 272

Contenido xi
8.5 Tcnica de jacobianos para transformar variables aleatorias. . . . . . 273

Transformaciones uno a uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
Transformaciones que no son uno a uno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 279
8.6 Transformaciones y relaciones entre normales n2 , t y F . . . . . . . . . 281
captulo 9 Estadstica descriptiva para datos no agrupados. . . . . . . . . . . . 287

9.1 Estadstica. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
9.2 Poblacin y muestra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 289
Probabilidad contra estadstica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Caracteres y variables estadsticas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 290
Escalas de medicin de una variable. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
Escalas de medidas cuantitativas o mtricas. . . . . . . . . . . . . . . . . . . . . . . . . . 292
9.3 Tcnicas de muestreo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Muestreo aleatorio simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
Muestreo estratificado. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Muestreo sistemtico con iniciacin aleatoria . . . . . . . . . . . . . . . . . . . . . . . . . 296
Muestreo por conglomerados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Tamao de la muestra. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 296
Uso de tablas de nmeros aleatorios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
9.4 Parmetros y estadsticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
9.5 Medidas centrales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
La media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
La mediana . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
La moda . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 303
Otros valores medios. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
9.6 Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
9.7 Medidas de dispersin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Rango . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Variancia y desviacin estndar. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
Desviacin media. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
Rangos intercuantiles o intercuantlicos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
Coeficiente de variacin y covarianza . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
9.8 Parmetros de forma en la distribucin de la muestra . . . . . . . . . . 318
9.9 Aplicacin de las medidas para datos no agrupados a inversiones. 323
captulo 10 Estadstica descriptiva para datos agrupados . . . . . . . . . . . . . . 333

10.1 Clases de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 334
Clculo de las frecuencias acumuladas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 335

xii Contenido
Distribucin de frecuencias para variables cualitativas. . . . . . . . . . . . . . . . . . . 336

Distribucin de frecuencias para variables cuantitativas . . . . . . . . . . . . . . . . . 336
10.2 Medidas centrales en clases de frecuencia. . . . . . . . . . . . . . . . . . . 341
Media por clases de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 341
Moda en clases de frecuencia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
10.3 Cuantiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 342
Clculo de los cuantiles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 343
Clasificacin de los cuantiles. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 344
10.4 Medidas de dispersin en clases de frecuencias. . . . . . . . . . . . . . . 345
10.5 Grficos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 347
Grfico de barras. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 348
Grficos lineales, polgonos de frecuencias . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
Diagrama de tallo y hoja (stem-leaf ). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 354
Diagrama circular o de pastel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 356
Desviacin cuartil y cajas de dispersin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
10.6 Asimetra y curtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 360
10.7 Aplicacin de las grficas a pruebas de bondad de ajuste . . . . . . . 362
Tcnica grfica Q-Q para una prueba de ajuste de distribuciones. . . . . . . . . . . 362
Ejemplo de la tcnica grfica Q-Q para una prueba de normalidad. . . . . . . . . . 362
Tcnica analtica Q-Q, para una prueba de normalidad. . . . . . . . . . . . . . . . . . . 365
captulo 11 Distribuciones muestrales y teorema central del lmite . . . . . . . 377

11.1 Muestra aleatoria. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 378
11.2 Estadsticas importantes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 381
Media y varianza de la media muestral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 383
Media y varianza de una diferencia de medias. . . . . . . . . . . . . . . . . . . . . . . . . 385
Media y varianza de la varianza muestral. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 385
Media y varianza de una combinacin lineal . . . . . . . . . . . . . . . . . . . . . . . . . . 385
11.3 Distribuciones muestrales asociadas a la normal. . . . . . . . . . . . . . 386
Sumas, promedios y combinaciones lineales de variables aleatorias
normales con la misma media y varianza. . . . . . . . . . . . . . . . . . . . . . . . . . . 386
Clculo del tamao de la muestra en distribuciones normales. . . . . . . . . . . . . 388
Frmulas para el tamao mnimo de muestra en distribuciones normales . . . . 390
Diferencia de medias de distribuciones normales. . . . . . . . . . . . . . . . . . . . . . . 392
Clculo del tamao de la muestra para diferencia de medias. . . . . . . . . . . . . . 393
11.4 Distribuciones de Bernoulli. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
Distribucin de la suma de variables de Bernoulli (Binomial) . . . . . . . . . . . . . . 395
Media y varianza de una proporcin. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395

Contenido xiii
Media y varianza de una diferencia de proporciones. . . . . . . . . . . . . . . . . . . 396

Distribucin muestral de la suma y media de otras distribuciones. . . . . . . . . 397
11.5 Introduccin a las estadsticas de orden. . . . . . . . . . . . . . . . . . . . 398
11.6 Teorema central del lmite media y suma muestral. . . . . . . . . . . . 400
Teorema central del lmite para la media de variables. . . . . . . . . . . . . . . . . . 400
Teorema central del lmite suma de variables . . . . . . . . . . . . . . . . . . . . . . . . 402
11.7 Teorema central del lmite para diferencia de medias. . . . . . . . . . 404
11.8 Teorema central del lmite para proporciones. . . . . . . . . . . . . . . . 407
Teorema central del lmite para diferencia de proporciones. . . . . . . . . . . . . . 407
Clculo del tamao mnimo de muestra para proporciones
muestras grandes. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 408
11.9 Teorema central del lmite para distribuciones especficas. . . . . . 411
Teorema central del lmite para distribuciones discretas . . . . . . . . . . . . . . . . 413
Distribuciones a las que no se puede aplicar el teorema central del lmite. . . 414
11.10 Ley de los grandes nmeros. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 414
Desigualdades de Markov y Chebyshev. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 415
Convergencias en probabilidad y distribucin . . . . . . . . . . . . . . . . . . . . . . . . 415
Demostracin del teorema central del lmite. . . . . . . . . . . . . . . . . . . . . . . . . 416
captulo 12 Estimacin puntual y por intervalos de confianza. . . . . . . . . . . . 423

12.1 Conceptos bsicos sobre estimadores puntuales . . . . . . . . . . . . . . 425
Espacio paramtrico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 425
Valores de los estimadores puntuales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 427
Estimadores insesgados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 428
Estimadores insesgados de distribuciones especficas. . . . . . . . . . . . . . . . . . . 431
12.2 Estadsticas suficientes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 433
Propiedad de invarianza. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 434
Bsqueda de estimadores insesgados. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 436
Estimadores insesgados con menor varianza. . . . . . . . . . . . . . . . . . . . . . . . . . 436
12.3 Error cuadrado medio. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 437
12.4 Propiedades asintticas deseables de los estimadores. . . . . . . . . . 440
12.5 Conceptos bsicos de los intervalos de confianza. . . . . . . . . . . . . . 442
12.6 Intervalos de confianza para los parmetros de una
poblacin normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 443
Intervalos de confianza para la media de poblaciones normales
o aproximadamente normales cuando se conoce s. . . . . . . . . . . . . . . . . . . 443
Intervalos de confianza para medias de poblaciones normales
o aproximadamente normales cuando se desconoce s . . . . . . . . . . . . . . . . 443

xiv Contenido
Ejemplos variados para la estimacin de la media . . . . . . . . . . . . . . . . . . . . . 445

Intervalos de confianza para la varianza de poblaciones normales . . . . . . . . . 448
Ejemplos variados para varianzas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 449
12.7 Intervalos de confianza para comparar dos poblaciones
normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 452
Resultados posibles de las comparaciones entre dos medias. . . . . . . . . . . . . . 453
Intervalos de confianza para la diferencia de medias, poblaciones
aproximadamente normales cuando se conocen s1 y s2 . . . . . . . . . . . . . . . 453
Intervalos de confianza para la diferencia de medias de poblaciones
normales cuando se desconocen s1 y s2, pero se sabe que s21 = s22. . . . . . 454
normales cuando se desconocen s1 y s2, pero se sabe s21 s22 . . . . . . . . . 455
aproximadamente normales, se desconocen s1 y s2 muestras grandes. . . . 456
Intervalos de confianza para la diferencia de medias de observaciones
pareadas con diferencias normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 458
Ejemplos variados para la estimacin de diferencia de medias. . . . . . . . . . . . . 460
Intervalos de confianza para la razn entre varianzas
de poblaciones normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 464
12.8 Intervalos de confianza para proporciones . . . . . . . . . . . . . . . . . . . 470
Intervalos de confianza para proporciones muestras grandes. . . . . . . . . . . . . . 470
Ejemplos variados para proporciones. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 471
Intervalo de confianza de diferencia de proporciones muestras grandes . . . . . 473
captulo 13 Metodologa para pruebas de hiptesis sobre los parmetros

de una distribucin normal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 485
13.1 Conceptos bsicos sobre pruebas de hiptesis. . . . . . . . . . . . . . . . 486
Regiones de rechazo y no rechazo. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 487
Tipos de errores en una prueba de hiptesis . . . . . . . . . . . . . . . . . . . . . . . . . . 488
Funcin de potencia y tamao de la prueba. . . . . . . . . . . . . . . . . . . . . . . . . . . 491
Eleccin de la hiptesis nula y alterna . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 494
Clculo de las probabilidades para los dos tipos de errores . . . . . . . . . . . . . . . 494
Conceptos bsicos sobre los tipos de pruebas de hiptesis . . . . . . . . . . . . . . . 498
13.2 Pruebas de hiptesis para los parmetros de una
distribucin normal. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
Pruebas de hiptesis para la media de poblaciones aproximadamente
normales cuando se conoce s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 499
Pruebas de hiptesis para la media de poblaciones aproximadamente
normales cuando se desconoce s. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 505
Pruebas para la varianza de poblaciones normales . . . . . . . . . . . . . . . . . . . . . 508

Contenido xv
13.3 Pruebas de hiptesis para comparar dos poblaciones

normales . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 513
Pruebas de hiptesis para la diferencia de medias sobre poblaciones
aproximadamente normales cuando se conocen s21 y s22. . . . . . . . . . . . . . . 514
aproximadamente normales cuando se desconocen s21 y s22
pero s21 = s22 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 517
aproximadamente normales cuando se desconocen s21 y s22
pero s21 s22. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 520
Pruebas de hiptesis para la diferencia de medias de observaciones
pareadas con diferencias normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 523
Pruebas de hiptesis para la razn entre varianzas de poblaciones
normales. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 527
13.4 Pruebas para poblaciones tipo Bernoulli, proporciones. . . . . . . . . . 533
captulo 14 Regresin lineal simple y mltiple (vase en el CD-ROM)

14.1 Regresin lineal simple
Diagrama de dispersin
Supuestos de la variable dependiente en el anlisis de regresin
14.2 Mtodo de mnimos cuadrados para optimizar el error
Supuestos del error en un modelo lineal
14.3 Error estndar de estimacin y propiedades de los estimadores
Descarga el captulo
14.4 Prueba de hiptesis para el parmetro de la pendiente
14.5 Coeficientes de correlacin y determinacin
Coeficiente de correlacin lineal
Coeficiente de determinacin
14.6 Intervalos de confianza para la prediccin y estimacin
14.7 Regresin lineal mltiple
Planteamiento general del modelo de regresin lineal mltiple
Generalizacin de resultados de la regresin lineal y prueba F
Uso de Excel de Microsoft para la regresin lineal mltiple
Solucin de un modelo de regresin lineal mltiple
Anlisis de residuales en la regresin lineal mltiple
Problemas en la regresin lineal mltiple
Regresin curvilnea
Modelos de regresin con variables de respuesta transformadas

1
Objetivos generales
Bases de la
probabilidad
Objetivos especficos
Demostrar que en la actualidad los fenmenos aleatorios que Explicar qu es un modelo probabilstico.
ocurren en la industria, las ciencias sociales, los estudios de Describir y enumerar los espacios muestrales de
mercado y los juegos de azar deben ser estudiados mediante experimentos probabilsticos.
modelos aleatorios. Ejemplificar los eventos de un experimento probabilstico.
Explicar que la probabilidad, aunque se utiliza con base en Describir las cuatro principales corrientes de la probabilidad.
diferentes corrientes, constituye un rea de la ciencia que
Definir las operaciones fundamentales del lgebra de eventos.
est bien estructurada y tiene una justificacin matemtica
consistente, razn por lo que es estudiada ms all de los Resolver problemas de operaciones entre eventos mediante
problemas de juegos de azar. sus definiciones y diagramas de Venn.
Calcular probabilidades de eventos con base en los
principales teoremas de la probabilidad axiomtica.
01 Probabilidad C1.indd 1 6/26/14 3:21 PM

2 CAPTULO 1 Bases de la pr obabilid ad
Introduccin
Desde su aparicin en la faz de la Tierra, el ser humano siempre ha estado en contacto con situaciones aleatorias, ya sean de experien-
cias naturales o de juegos que l mismo crea, en las cuales prevalece la incertidumbre. Por ejemplo, en las tumbas egipcias se han
encontrado restos de dados cbicos que datan del ao 2000 a.C. con marcas idnticas a las de los dados actuales; ms an, hay indi-
cios de que cerca del ao 3500 a.C. los egipcios practicaban juegos de azar con objetos de hueso.
Por estas razones, el estudio de la incertidumbre siempre ha tenido un inters particular para la humanidad, desde conocer el
clima, el resultado del lanzamiento de una moneda o un dado, hasta situaciones modernas, como la cantidad de artculos defectuosos
en un lote de tamao n, cambios de voltaje en un circuito elctrico, curso del valor del dlar en un da determinado y los movimien-
tos en la bolsa de valores para conocer cules acciones tienen mayor o menor riesgo en su inversin, entre otras.
As, desde su aparicin, los juegos con incertidumbre han dejado un gran reto a diferentes matemticos para calcular las proba-
bilidades de xito que tiene un jugador en un juego de azar. De manera que, haciendo un poco de historia, resulta que la crea-
cindelaprobabilidad se atribuye a los matemticos franceses del siglo xvii Blaise Pascal (1623-1662) y Pierre de Fermat (1601-1665)
cuando lograron obtener probabilidades exactas para cierto tipo de problemas relacionados con el juego de los dados; por ejemplo,
la solucin al problema propuesto por el noble francs Antoine Gombauld (1607-1684), quien pregunt a Pascal, cul es la proba-
bilidad de que ocurran dos seises al menos una vez al lanzar un par de dados 24 veces? Aunque algunos matemticos anteriores,
como Gerolamo Cardano (1501-1576) y Galileo Galilei (1564-1642), en el siglo xvi, ya haban realizado importantes contribuciones
a su desarrollo calculando algunas combinaciones numricas para ciertos problemas relacionados con los dados. Uno de los proble-
mas clsicos con los que dio inicio el clculo de probabilidades consiste en saber cuntos dados hay que lanzar para que la probabi
lidad de que salga algn 6 supere 50%. En la actualidad, en Mxico hay una gran cantidad de juegos de azar para los cuales se
requiere efectuar ciertos clculos de probabilidades; por ejemplo, lotera, juegos de quinielas deportivas, juegos de quinielas numri-
cas, entre muchos otros.
La historia nos muestra que la teora de la probabilidad dio sus primeros pasos en el siglo xvi con Gerolamo Cardano y Galileo
Galilei; posteriormente, en el siglo xvii, con Blaise Pascal, Pierre de Fermat, Jean y Jacques Bernoulli (1654-1705) y De Moivre (1667-
1754); en el siglo xviii, con Daniel Bernoulli (1700-1782), Kart Friedrich Gauss (1777-1855) y Simon Denis Poisson (1781-1840); en
el siglo xx, con A. Markov, Chebyschev y Liapunov, entre otros. Pero, sin duda, quien sent las bases tericas para formalizar el de-
sarrollo de la teora de las probabilidades fue el matemtico ruso Kolmogrov, en 1933, al introducir la teora de la medida en el clcu
lo de probabilidades.
Durante todo este texto se habla de probabilidad, pero, qu se entiende por esta ciencia?
Probabilidades la ramadelasmatemticas que se ocupa de medir o determinar cuantitativamente la posibilidad de que ocurra
un determinado suceso.
As, en el desarrollo del texto, principalmente en los primeros captulos, se analiza cmo, en general, la probabilidad est basada
en el estudio de la Teora combinatoria, amplindose al clculo, gracias al uso de las funciones.
Hoy da, la teora de la probabilidad es una herramienta importante en la mayora de las reas de ingeniera, ciencias y adminis-
tracin. De manera que realizar un estudio adecuado de la probabilidad es fundamental para el xito de muchas compaas, en
particular las deseguros, ya que estas evalan las probabilidades de los sucesos que les interesan (p. ej., accidentes de autos, inunda-
ciones, epidemias, etc.) mediante una minuciosa recopilacin de datos (experiencias) que permiten inferir dichas probabilidades con
suficiente aproximacin como para poder asignar las cuotas o costos de manera que la aseguradora no sufra prdidas. Adems de las
compaas de seguros, la probabilidad tiene diversas aplicaciones en otras reas como medicina, meteorologa, mercadotecnia, pre-
dicciones de terremotos, comportamiento humano, finanzas, etctera.
En el presente captulo tratamos los fundamentos tericos en los que se basa la construccin de la Teora de las probabilidades.
Por tanto, el captulo inicia con el tratamiento de los modelos y su importancia en el estudio de los diferentes fenmenos; de igual
forma se hace nfasis en los modelos matemticos, los cuales se clasifican en:
Determinsticos.
Probabilsticos.
Despus, definimos los experimentos aleatorios y determinsticos. Por su parte, el estudio de las bases de la probabilidad co-
mienza con una discusin acerca de las diferentes corrientes para la asignacin de probabilidades a un suceso, como:
Corriente frecuentista.
Corriente clsica.
Corriente subjetiva.
Corriente bayesiana.
Enseguida, se aborda la construccin matemtica de la Teora de las probabilidades, introduciendo los axiomas de Kolmogrov,
con los que prcticamente iniciamos un estudio formal de las probabilidades como una ciencia.

1.1 Modelos determinsticos y probabilsticos 3
Es importante resaltar que la axiomatizacin de la Teora de las probabilidades se conserva hasta el final de la presente obra. Para
el desarrollo de esta se introduce una seccin referente a la teora de conjuntos a la que llamamos lgebra de eventos, la cual, junto con
los axiomas de Kolmogrov, constituyen la base cientfica del desarrollo de la probabilidad.
El captulo contina con la formulacin y demostracin de diferentes teoremas y finaliza con una breve explicacin de la aplica-
cin de estos en el clculo de probabilidades. Para terminar, revisamos algunas funciones en Excel para el clculo de probabilidades.
1.1Modelos determinsticos y probabilsticos

Uno de los objetivos del estudio de las ciencias es desarrollar estructuras conceptuales que permitan comprender los fenmenos que
ocurren en la naturaleza para poder predecir los efectos que de ellos se deriven. De la experiencia cientfica, se deduce fcilmente
quepara poder estudiar un fenmeno es necesaria su imitacin o reproduccin en una cantidad suficiente, a fin de que su investiga-
cin sea lo ms precisa posible. Esta necesidad es lo que da origen a los modelos. Ahora bien, qu entendemos por modelo y qu lo
origina?
Por modelo, entenderemos la representacin o reproduccin de los fenmenos.
Los modelos pueden ser de diferentes tipos, pero para los objetivos de este texto, son de inters los modelos matemticos. Vea-
mos a continuacin la definicin de modelo matemtico que se utiliza durante todo el texto.
Un modelo matemtico es una representacin simblica de un fenmeno cualquiera, realizada con el fin de estudiarlo mejor, dichas
representaciones puede ser fenmenos f sicos, econmicos, sociales, etctera.
Los modelos matemticos pueden clasificarse en determinsticos y probabilsticos, y para poderlos diferenciar es necesario cono
cer su definicin y algunos ejemplos. Primero, presentamos la definicin de modelos determinsticos.
Cuando se realiza el modelo matemtico de un fenmeno y en este se pueden manejar los factores que intervienen en su estudio con el
propsito de predecir sus resultados, se llamar modelo determinstico.
A continuacin se presentan algunos ejemplos de modelos determinsticos.
Ejemplos 1.1 Modelos determinsticos
1. El lanzamiento de una moneda con ambos lados iguales (p. ej., guilas). Al plantear este modelo es posible determinar que siem-
pre es posible predecir el resultado (suponiendo que la moneda no puede quedar en posicin vertical), puesto que solo hay una
opcin: guila.
2. Cuando tenemos una inversin c a una tasa r, podemos calcular su Valor Presente Neto, VPN (c). El modelo es determinstico,
puesto que tiene una inversin fija c a una tasa fija r; por tanto, es posible predecir el resultado que ocurrir al cabo de n aos
mediante el uso de la siguiente frmula:
c
VPN( c ) = .
(1 + r )n
Por ejemplo, si vamos a recibir c = 150 000 pesos dentro de cuatro aos, pero queremos saber cunto vale hoy, VPN(c), debemos
descontar los intereses que se generan desde hoy hasta dentro de cuatro aos. Si el inters anual es de 8% en operaciones a cuatro
aos, entonces el da de hoy debemos invertir:
150 000
VPN( c ) = = 110 254.50 .
(1 + 0.08)4
Entonces, si iniciamos la inversin con 110254.50 al cabo de cuatro aos tendremos 150000 pesos.
3. Sea una economa en equilibrio determinada por el modelo econmico de entradas y salidas de Wassiley Leontief, aplicado a
tres empresas distintas.
a11 x1 + a12 x2 + a13 x3 + e1 = x1

a21 x1 + a22 x2 + a23 x3 + e2 = x2

a31 x1 + a32 x2 + a33 x3 + e3 =x3
Donde: xi representa la produccin de la empresa i; ei representa la demanda externa sobre la empresa i; y aij representa el nme-
ro de unidades de producto de la empresa i necesarias para producir una unidad de producto de la industria j. Conociendo la

demanda externa por empresa y la demanda interna entre empresas, con este modelo es posi-
Wassiley Leontief naci el 5
de agosto de 1906, en San ble predecir la produccin de cada empresa.
Petersburgo, y muri el 5 de 4. El modelo de una compaa donde se elaboran dos productos al pasar en forma consecutiva, a
febrero de 1999, en Nueva York. travs de una lnea de produccin, por tres mquinas distintas. En este caso, el tiempo por
Inici sus estudios superiores en mquina asignado a los dos productos est limitado por una cantidad determinada de horas
la universidad de San Petersburgo por da; el tiempo de produccin y la ganancia por artculo de cada producto se pueden esta-
y termin el doctorado en la blecer de manera que al combinar los productos podemos obtener una ganancia ptima.
universidad de Humboldt, Berln En el modelo anterior se puede notar que estamos controlando los diferentes parmetros
en 1928. En 1931 emigr de que intervienen. Por tanto, al establecer el modelo matemtico correspondiente y los valores
forma definitiva a Estados
para los factores es posible predecir su resultado.
Unidos de Amrica. El modelo de
5. Se puede disear un modelo que muestre la influencia de la fuerza de friccin sobre un cuerpo
entradas y salidas fue presentado
por primera vez en el artculo de que se mueve en una superficie. Con este modelo se puede concluir que en superficies ms
Leontief Quantitative Input and speras se tiene mayor fuerza de rozamiento.
Ouput Relations in the Economic El modelo anterior es determinstico, ya que en este se manejan superficies y se puede pre-
System of the United States, decir el resultado. Por ejemplo, la distancia a la que se puede detener el mvil; esto es, si se
Review of Economic Statistics mueve el cuerpo con una fuerza inicial y cambiamos las asperezas podremos establecer una
18 (1936), pp. 105-125. Una frmula matemtica que indique (como resultado de un clculo numrico) la distancia en la
versin actualizada del modelo que se detendr el mvil.
aparece en el libro de Leontief, 6. La cada de voltaje en una resistencia de un circuito elctrico se puede observar en la figura 1.1.
Input-Output Analysis, Nueva
York, Oxford University Press,
1966. Leontief gan el premio
Nobel de Economa en 1973
por su desarrollo del anlisis de
R-Resistencia
insumo y produccin de V-Voltaje i
entradas y salidas.
Figura 1.1
Circuito elctrico con una resistencia.
Por los cursos de f sica sabemos que la Ley de Ohm indica que la cada de vol-
En general, sabemos que cualquier modelo fsico es
taje en este circuito elctrico con una resistenciaest dada por V = Ri, donde, R
una aproximacin de la realidad; no obstante, este
no la puede representar en forma exacta, esto representa la resistencia, medida en ohms; i la corriente medida en amperes, y V el
se debe a que en cada fenmeno intervienen voltaje medido en volts.
infinidad de factores y no es posible involucrarlos a
todos en el modelo. Por esta razn, salvo que se diga
otra cosa, en el texto se consideran los modelos El otro tipo de modelos que revisamos ocurre cuando no podemos controlar
conocidos sobre diferentes fenmenos fsicos como los factores que intervienen en dichos modelos. A partir de lo cual surge la defini-
determinsticos. Por ejemplo, en el circuito anterior,
cin de modelo probabilstico o estocstico.
la cada real de voltaje est influenciada por los
factores: humedad, calentamiento del alambre
Los modelos probabilsticos o modelos estocsticos son aquellos modelos ma-
conductor, temperatura, etctera, que para fines
temticos de los fenmenos en los cuales no se pueden controlar los factores que
prcticos se pueden considerar despreciables. De
intervienen en su estudio, adems de que dichos factores ocurren de tal manera
manera similar, en el modelo del movimiento de un
que no es posible predecir sus resultados.
cuerpo sobre una superficie con friccin, se
considera que las otras fuerzas que intervienen son
Los modelos probabilsticos son de gran inters en el texto; por tanto, para
despreciables.
una mejor comprensin de estos se presentan los siguientes ejemplos.
Ejemplos 1.2 Modelos probabilsticos
1. Los modelos clsicos probabilsticos se refieren a los juegos de azar, como el lanzamiento de una moneda equilibrada o legal (es de
cir, que no est cargada a ningn lado), para determinar el resultado que va a ocurrir. En el lanzamiento de un dado no cargado
(esto es, que un lado del dado no pesa ms que los otros) no es posible predecir qu nmero quedar en la parte de arriba del dado.

2. En el lanzamiento de una moneda equilibrada 10 veces para obtener cinco guilas, el modelo es de tipo probabilstico, puesto
que no podemos predecir el resultado que va a ocurrir en el siguiente lanzamiento.
3. Las cartas o fichas que le tocarn a una persona al inicio de una partida de un juego de cartas o domino, respectivamente.
4. En el ejemplo 2 de la lista 1.1 de ejemplos, la tasa anual de inversin para un ao determinado en realidad est condicionada a
situaciones de incertidumbre del pas; por consiguiente, bajo estas condiciones no podemos predecir el VPN para un ao deter-
minado si no conocemos con anterioridad la tasa r.
5. En una lnea de produccin, al realizar el control de calidad de los artculos se detecta cierta cantidad de productos defectuosos;
no es posible determinar la cantidad o porcentaje de estos en la lnea.
6. Si deseamos conocer los ingresos por accin para una compaa de telfonos, estos se pueden estimar mediante el PIB (Produc-
to Interno Bruto) que se mide en millones de pesos. Entonces, establecemos, mediante una ecuacin, un modelo para su estima-
cin, pero no podemos saber con exactitud sus resultados.
7. El conocimiento del curso de una accin referente a una empresa en la bolsa de valores es uno de los principales problemas que
todo accionista quisiera saber cmo predecir. Este es un problema financiero muy complejo que depende de muchos factores,
incluyendo los polticos, por lo que no se puede controlar el curso de la accin ya que esta se encuentra envuelta en mucha in-
certidumbre; por tanto, solo es posible indicar un rango de valores posibles en el que se tengan evidencias que podrn encon-
trarse en el curso de la bolsa para dicha accin. En el caso del dlar podramos tener evidencias de que al da siguiente su costo
estar entre 12.40 y 12.80 pesos, pero en realidad no conocemos cul ser su cotizacin exacta, puesto que este estar influido
por factores que pueden tener mucha incertidumbre, como situaciones polticas.
8. Si deseamos conocer el lugar de cada de un satlite que se sali de su rbita y se dirige a la Tierra no podemos predecir el lugar
donde caer, puesto que no es posible controlar su movimiento; por tanto, solo es posible indicar una regin en donde se cree
que caer, con un valor numrico que represente la aseveracin.
9. La posicin de un electrn en un momento dado, la cual no es posible establecer, pues, de los cursos de f sica sabemos que un
electrn no tiene una posicin fija, ya que cambia constantemente, sin reglas en su movimiento. En tal caso, solo podemos esta-
blecer un rea en la que supongamos con un cierto valor numrico la posibilidad de que el electrn se encuentre ah.
10. Si en el circuito elctrico del ejemplo 6 de la lista 1.1 de ejemplos consideramos los dems factores que intervienen en el circui-
toy medimos los voltajes con un voltmetro de alta calidad, podremos apreciar que al tomar diferentes mediciones existen
cambios pequeos en estas. En estas condiciones, podremos considerar a la cada de voltaje V = Ri como un modelo probabi
lstico.
Al reproducir cualquier fenmeno, ya sea de manera determinstica o probabilstica, estamos experimentando, por lo que es
necesario aclarar lo siguiente: qu entenderemos por experimento al utilizar un modelo matemtico de tipo probabilstico (cabe
aclarar que hasta este momento no se ha dado la definicin de probabilidad)? As, para ir aclarando los conceptos, a continuacin se
presenta la definicin formal de experimento aleatorio.
Llamaremos experimento aleatorio al proceso de obtencin de una observacin en que se cumple alguna de las siguientes condiciones:
a) Todos los resultados posibles son conocidos.
b) Antes de realizar el experimento el resultado es desconocido.
c) Es posible repetir el experimento en condiciones ideales.
Ahora, con el propsito de aclarar mejor la definicin de experimentos aleatorios, en los siguientes ejemplos ilustramos algunos
procesos aleatorios que muestran este tipo de experimentos.
Ejemplos 1.3 Experimentos aleatorios
1. Lanzamiento de tres monedas hasta obtener dos guilas.

2. Lanzamiento de una moneda tres veces hasta obtener dos guilas. Existe alguna diferencia con el inciso anterior?
3. Lanzamiento de una moneda tres veces y la realizacin del conteo referente a la cantidad de soles que aparecen en estos lanza-
mientos.
4. Lanzamiento de un dado, observando la cara superior que resulte.
5. Lanzamiento de dos dados y la realizacin del conteo de la suma que resulta en sus caras superiores.
6. Un inspector de control de calidad analiza lotes de 60 artculos cada uno. El proceso de control de calidad consiste en elegir
cinco artculos sin reemplazo y determinar si son buenos o defectuosos.
7. Sea un lote de 60 artculos que tiene 10 defectuosos. Entonces, se define el proceso de seleccionar los artculos sin reemplazo y
anotar los resultados hasta obtener el ltimo defectuoso.

8. Observar las cantidades mxima y mnima de personas que llegan a la estacin Potrero del metro en la Ciudad de Mxico, cada
da, en intervalos de cinco minutos.
9. Medir cada 10 minutos la cada de voltaje en un circuito elctrico con una sola resistencia.
Al proceso por el cual se describen los fenmenos cuyos Adems de los experimentos aleatorios, tambin tenemos los deter-
resultados pueden predecirse, lo llamaremos experimento minsticos, de los cuales enseguida se presenta su definicin y se muestran
determinstico.
algunos ejemplos para su mejor comprensin.
Ejemplos 1.4 Experimentos determinsticos

1. En un modelo de valor presente neto de una serie de flujos de efectivo Vi de una inversin c, a una tasa fija r, podemos calcular
su VPN(c) al cabo de n aos, el cual se calcula de la siguiente forma:
n
Vi
VPN( c ) =inversin(c ) + .
i=1 (1 + r )
i
2. El tiempo de cada libre de un objeto. Si se conoce la altura y no existen fuerzas externas, el tiempo de cada se puede predecir
1
por medio de la expresin obtenida en el curso de f sica: h = gt 2 , donde h es la altura, g la aceleracin de la gravedad y t el
2
tiempo de cada.
3. La mezcla de sustancias qumicas para la obtencin de algn compuesto.
Despus de realizar un experimento, por lo general se registran sus resultados para obtener
Entendemos por conjunto a una
coleccin de objetos bien definida las conclusiones correspondientes al fenmeno en estudio, por lo que surge la necesidad de intro-
mediante alguna o algunas ducir un nuevo concepto referente al conjunto de todos los resultados del experimento. El concep-
propiedades en comn. En tanto, to de espacio muestral se emplea en la seccin 1.3, junto con sus propiedades de conjuntos; por
por objeto comprendemos no ahora es suficiente introducir su definicin.
solo cosas fsicas (como discos,
Al conjunto de todos los resultados posibles de un experimento probabilstico lo llamaremos espa-
computadoras, entre otras), sino
cio muestral del experimento y lo denotaremos por S. A su vez, a los elementos de un espacio
tambin cosas abstractas, como
muestral los llamaremos puntos muestrales.
los nmeros o las letras. A los
objetos que forman el conjunto, Los espacios muestrales forman una parte primordial en el desarrollo de la teora de las pro-
los llamamos elementos del babilidades, por lo que es indispensable mostrar algunos ejemplos de estos. Aunque de aqu en
conjunto. adelante se hablar de estos en los captulos subsecuentes.
Ejemplos 1.5 Espacios muestrales

1. El experimento sobre el lanzamiento de una moneda se realiza tres veces y se anotan sus posibles resultados.
El espacio muestral est representado por a, en el caso de guila, y por s, en el caso de cara o sol. Por tanto:
S = { sss , ssa , sas , ass , saa , asa , aas , aaa} .
2. El experimento sobre el lanzamiento de una moneda se realiza tres veces y se anota la cantidad de guilas que aparecen. De este
modo, 0 representa la ausencia de guilas, 1 representa la presencia de un guila, etctera. De este modo, el espacio muestral
sera:
S = {0,1, 2, 3} .
Compare los resultados de los ejemplos 1 y 2, qu puede concluir?
3. Se realiza el experimento sobre el lanzamiento de dos dados y se anota la suma de las caras superiores que resultan. En este caso,
el espacio muestral estar formado por:
S = { 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12} .

4. Se realiza el experimento de lanzamiento de dos dados, de los cuales se toma la diferencia del valor mayor menos el valor menor
que resulta en sus caras superiores. En este caso, el espacio muestral resultante es:
S = {0, 1, 2, 3, 4, 5}.
5. Se realiza el experimento de lanzamiento de un dado dos veces, de las cuales se toma la diferencia del valor del primer resultado
menos el valor del segundo resultado de las caras superiores. El espacio muestral resultante es:
{ 5 , 4 , 3 , 2 , 1 , 0 , 1 , 2 , 3 , 4 , 5}
S =
6. Suponga que se tiene un lote de tres refrigeradores de tamao 3 (dos de estos estn en buen estado y uno est defectuoso). En-
tonces, se realiza el experimento de extraer dos refrigeradores del lote, sin que haya un reemplazo. Denotando al refrigerador
bueno por b y al defectuoso por d, determine el espacio muestral.
a) Si en el par elegido se consideran diferencias solo entre los dos buenos, no importa el orden. Cuando se trata de conjuntos
sabemos que no importa el orden en que se coloquen sus elementos. Entonces, denotando a los artculos buenos por b1 y b2,
respectivamente, se tiene:
S = {{b1 , b2 }, {b1 , d }, {b2 , d }}
b) Si en el par elegido se consideran diferencias entre los dos buenos y el orden de extraccin, para distinguir el orden de extrac-
cin de los refrigeradores, los pares elegidos se escriben juntos sin separarlos, indicando que el de la izquierda se extrae antes
que el de la derecha:
S = {b1b2 , b2 b1 , b1 d , db1 , b2 d , db2 } .
c) Solo es de inters si el refrigerador es bueno o defectuoso, no importa el orden:
S = {{b, b}, {b, d }}.

d) En el par elegido los dos buenos son indistinguibles, pero s importa el orden de extraccin:
S = {bb , bd , db}.
Despus de tratar con los espacios muestrales, entonces nos preguntamos: qu pasa si solo consideramos una parte de estos?
Para poder dar una respuesta a la pregunta es necesario definir qu es un evento y qu es un evento simple.
Dado un experimento aleatorio y su espacio muestral S, se llama evento a un conjunto de resultados posibles de S. Podemos notar que
un evento no es ms que un subconjunto de un espacio muestral.
A continuacin definimos los eventos que contienen uno y solo un elemento del espacio muestral, y que sern utilizados de
forma implcita en la siguiente seccin cuando hablemos sobre la corriente clsica de probabilidad.
Al evento que consta de un solo elemento le llamaremos evento simple.
Ejemplos 1.6 Eventos simples
Obtenga el evento indicado en los espacios muestrales de los ejemplos anteriores.
1. Se lanza una moneda tres veces y se anotan los resultados posibles. Sea el evento E: Aparece una sola guila. Representando
guila por a y sol por s, el evento ser:
E = { ssa , sas , ass} .
2. El lanzamiento de una moneda tres veces y el conteo de la cantidad de guilas que aparecen. Sea el evento E : aparece un guila,
E = {1} .
3. El lanzamiento de un dado y la cara superior que resulta. Sea E el evento que denota: el nmero de la cara que resulta no es
mayor a 4.
E = {1, 2, 3, 4 }

4. El lanzamiento de dos dados de los cuales se cuenta la suma que resulta en sus caras superiores. Sea el evento E: la suma de las
caras resultantes es mayor que 4.
E = {5, 6, 7, 8, 9,10,11,12} .
No obstante lo tratado hasta aqu, an no hemos visto cmo asignar probabilidades a los eventos ni cmo definir a esta. La res-
puesta est en la siguiente seccin.
Ejercicios 1.1
1. Suponga que se lanzan tres monedas no cargadas y se obser- d) S existe diferencia entre uno y otro bueno, y entre uno y
va la cantidad de guilas que quedan hacia arriba. otro defectuoso; adems, s importa el orden entre defec-
a) Establezca los elementos del espacio muestral de este ex- tuoso y bueno.
perimento. 4. Una agencia comercial compra papelera a uno de tres ven-
b) Sea A el evento: obtencin de al menos un guila. Escri- dedores V1, V2, V3. El pedido se ordena en dos das sucesivos
ba los elementos de A. (sin repetir vendedor), un pedido por da, tal que V1V3, lo
2. Suponga que se lanzan tres monedas no cargadas y se obser- que significa que el vendedor V1 recibe el pedido el primer
van las combinaciones posibles de resultados que pueden da y el vendedor V3 lo recibe el segundo da. Establezca los
ocurrir con las tres monedas. puntos muestrales de este experimento.
a) Establezca los puntos muestrales de este experimento. 5. En un experimento que consiste en lanzar un dado no car-
b) Sea A el evento Observar al menos un guila. Obtenga gado una vez, al salir un nmero par entonces se lanza una
los puntos muestrales de A. moneda no cargada. En cambio, si el lanzamiento del dado
3. Un aparato electrnico contiene cuatro sistemas electrni- no resulta par, entonces se lanza el dado por ltima vez.
cos. Al azar se seleccionan dos de estos cuatro sistemas para Describa el espacio muestral para este experimento.
someterlos a pruebas rigurosas y clasificarlos como defec- 6. El administrador de una red logstica de autobuses tiene que
tuosos o no defectuosos. Si dos de los cuatro sistemas en tomar la decisin de cmo distribuir dos de tres autobuses
realidad son defectuosos, encuentre el espacio muestral del para viajar a otra ciudad. Represente con a1, a2 y a3 a los tres
experimento suponiendo que: autobuses y describa el espacio muestral del experimento:
a) No se diferencia entre uno y otro bueno, ni entre uno y Seleccionar dos autobuses para viajar a la otra ciudad.
otro defectuoso, ni importa el orden entre bueno y defec- 7. El administrador de una red logstica de autobuses debe to-
tuoso, solo importa cuntos buenos y cuntos defectuo- mar la decisin de cmo ordenar la distribucin de dos de
sos hay. tres autobuses con el fin de que viajen a otra ciudad en dos
b) S existe diferencia entre uno y otro bueno, y entre uno y das sucesivos (sin repetir un autobs). Represente con a1, a2
otro defectuoso; sin embargo, no importa el orden entre y a3 los tres autobuses. Ordene los viajes de tal forma que
bueno y defectuoso, solo importa cuntos buenos y a1a3, lo que significa que el autobs a1 viaja a la otra ciudad
cuntos defectuosos hay. el primer da y el autobs a3 el segundo da.
c) No se diferencia entre uno y otro bueno, ni entre uno y a) Establezca los puntos muestrales de este experimento.
otro defectuoso, pero s importa el orden entre defectuo- b) Qu diferencia observ con la respuesta del problema
so y bueno. anterior?
1.2Interpretaciones de la probabilidad
En la actualidad, la palabra probabilidad es empleada con demasiada frecuencia por las personas; por ejemplo, en expresiones como:
Es probable que hoy estudie estadstica; El equipo mexicano de ftbol est jugando mal, y es muy probable que en su siguiente
partido pierda; El cielo est bastante despejado; por tanto, no hay muchas posibilidades de que llueva; entre otras. Como se pue-
denotar en las expresiones anteriores, las palabras relacionadas con la probabilidad tienen la caracterstica de basarse en sucesos
que pueden ser verdaderos, adems de que a causa de los hechos observados (resultados preliminares, tiempo, etctera), se puede
hablar de la posibilidad de su ocurrencia.
A pesar de los esfuerzos realizados por muchos matemticos para asignar de forma nica la probabilidad a un suceso, todo
hasido en vano, pues desde los inicios de su estudio hasta nuestros das no existe una forma nica de asignacin de probabilidades.
Solo contamos con diferentes corrientes de probabilidad, las cuales se aplican para asignar un valor numrico a la posibilidad de la

1.2 Interpretaciones de la probabilidad 9
ocurrencia de algn suceso probabilstico.1 De hecho, el verdadero significado de la probabilidad an se considera conflictivo; por
tanto, en lugar de iniciar el siguiente texto con una definicin formal de probabilidad, primero trataremos sus cuatro corrientes ms
comunes.
Corriente frecuentista
En la corriente frecuentista tal vez una de las ms empleadas se asigna un valor de probabilidad a un evento E, a partir del cual se
considera que ocurrir. La definicin o interpretacin de la probabilidad est basada, como su nombre lo indica, en la frecuencia
relativa con la cual se obtendra E, si el experimento se repite una gran cantidad de veces, en con-
La frecuencia relativa de un diciones similares (no idnticas, puesto que en este caso el proceso no sera aleatorio).
suceso es igual al cociente de
Un ejemplo de la frecuencia relativa de un suceso es un experimento en el que se lanza una
la cantidad de veces que ocurre
moneda tres veces y se cuenta la cantidad de soles que aparecen. As, sea el evento E: obtencin
el suceso entre el total de veces
que se repite el experimento. de dos soles en los tres lanzamientos; la pregunta es: cul es la probabilidad de que ocurra el
evento E?
Para responder a la pregunta desde el punto de vista frecuentista, se debe realizar el experimento una gran cantidad de ve-
ces. Supngase que el experimento se repite 1000 veces en condiciones similares y como resultado se obtienen 400 casos con dos
400
soles; en tal situacin, se dira que la probabilidad de que ocurra E, ser: = 0.4. Ahora bien, si el experimento se repite 100000
1 000
38 000
veces, de las cuales 38000 resultan con dos soles, diramos que la probabilidad de que ocurra E es: = 0.38, de esta forma po-
100 000
dramos repetir nuestro experimento tantas veces como se quiera y obtener una frecuencia relativa para la probabilidad del evento
E. Entonces, surge la siguiente pregunta: por qu diferentes resultados para un mismo evento? La respuesta est en la interpretacin
de qu entendemos por: repetir el experimento una gran cantidad de veces, qu se entiende por una gran cantidad de veces?, y
cul sera dicha cantidad de repeticiones? Dichas condiciones son muy vagas para servir de base en una definicin cientfica de
probabilidad. Aunado a lo anterior, no es posible repetir una gran cantidad de veces muchos de los fenmenos, por ejemplo:
a) Para calcular la probabilidad de que el lanzamiento de un cohete resulte exitoso, evidentemente no es posible realizar una gran
cantidad de lanzamientos de cohetes; por tanto, la probabilidad se obtiene en forma frecuentista del xito de un lanzamiento.
b) Cmo calcular la probabilidad de que Manuel viva 70 aos? Cules seran las repeticiones?
c) Para calcular la probabilidad de que Juan Prez se case este ao, tampoco podemos realizar una gran cantidad de repeticiones
del experimento; por tanto, se indica el valor numrico que represente desde el punto de vista de la frecuencia relativa que Juan
Prez se case o no este ao.
Corriente clsica (a priori)

En la corriente clsica se consideran espacios muestrales uniformes, es decir, se asignan probabilidades a eventos con base en resul-
tados equiprobables (igualmente verosmiles). Esto es, los clasistas asignan la misma probabilidad a cada punto del espacio muestral
1
(es decir: , donde n es la cantidad de elementos del espacio muestral); posteriormente, para obtener la probabilidad de la ocurrencia
n
1
de un evento E, se suma la cantidad de elementos de E y se multiplica por la probabilidad de un elemento del espacio muestral .
n
Cabe apuntar que de lo anterior se deduce que la probabilidad de los puntos muestrales se establece a priori; es decir, antes de cual-
quier experimento.
Resolviendo el ejemplo anterior en la forma clsica tendremos, lo siguiente:
Se lanza una moneda equilibrada tres veces y se anotan los resultados posibles que aparecen; sea el evento E: obtencin de dos soles
en los tres lanzamientos, la pregunta es: cul es la probabilidad de que ocurra el evento E?
Para responder a la pregunta, primero obtenemos el espacio muestral desde el punto de vista clsico; de este modo, representan-
do guila por a y sol por s, tendremos:
S = { sss , ssa , sas , ass , saa , asa , aas , aaa}.
En estos casos, ssa representa que los primeros dos lanzamientos resultaron soles y el tercer lanzamiento guila. Considerando
1
que cada punto del espacio muestral es equiprobable con probabilidad de ocurrencia , tendremos que la probabilidad del evento E
8
(resulten dos soles en los tres lanzamientos) se resuelve al conocer la cantidad de elementos del evento:
1Existe una gran cantidad de sucesos en los que cada una de sus alternativas tiene varias soluciones, pero sin que se tenga la posibilidad de una asignacin numrica
de probabilidad, en tal caso se dice que el suceso ocurre bajo incertidumbre.

E = { ssa , sas , ass}.

En este caso, como E contiene tres elementos tenemos que la probabilidad de que ocurra el evento E es:
1
Probabilidad de E = 3 = 0.375 .
8
Algunas de las dificultades por las cuales atraviesa esta interpretacin de probabilidad son:
En primer lugar, al hablar de resultados equiprobables (que tienen la misma probabilidad) estamos empleando el concepto que
estamos definiendo.
En segundo lugar, cuando los resultados no son equiprobables (en este caso el ejemplo 3 de la seccin 1.5, sobre el lanzamiento
de los dos dados, donde se anota la suma de los nmeros resultantes S = {2, 3, 4, 5, 6, 7, 8, 9,10,11,12}, sus elementos no son
equiprobables. Calclelos!).
En tercer lugar no se indica un mtodo para realizar el clculo de las probabilidades.
En otros casos como los siguientes, la probabilidad clsica no da respuesta:
a) Para calcular la probabilidad de que el lanzamiento de un cohete resulte exitoso, no podemos asignar probabilidades iguales
a los resultados del experimento; por tanto, es necesario un mtodo diferente para el clculo de probabilidades.
b) Para calcular la probabilidad de que una persona se case este ao, no podemos hablar de resultados equiprobables para
determinar el valor numrico que represente la probabilidad de que dicha persona se case este ao, considerando a todos
los aos equiprobables.
Corriente subjetivista
En la corriente subjetivista (interpretacin de la probabilidad que es muy empleada en el estudio del anlisis de decisiones) se asig-
nan probabilidades a eventos basndose en el conocimiento o experiencia que cada persona tiene sobre el experimento; por tanto, la
probabilidad asignada est sujeta al conocimiento que el cientfico tenga con respecto al fenmeno estudiado. De este modo, para un
mismo experimento las probabilidades asignadas por diferentes personas pueden ser distintas. En el ejemplo anterior del lanzamien-
to de la moneda tres veces, donde se realiza el conteo de la cantidad de soles que aparecen, el evento E se defini como la obtencin
de dos soles en los tres lanzamientos. La pregunta es: cul es la probabilidad de que ocurra el evento E? Para responder a la pregun-
ta anterior, desde el punto de vista subjetivista, la respuesta depender del conocimiento que se tenga del lanzamiento de la moneda.
Por ejemplo, si el individuo que lanza la moneda puede tener cierta habilidad en el lanzamiento, dar una probabilidad mayor a la
verosimilitud del evento E; por el contrario, si el sujeto no tiene tal habilidad, la probabilidad ser pequea.
La probabilidad subjetiva se suele asignar cuando se tiene poco o nada de conocimiento previo sobre el evento. Es decir, cuando
los eventos se presentan solo una vez o un nmero muy reducido de veces. Por ejemplo, si en una empresa se est programando la
logstica de distribucin de material final, la asignacin de probabilidad de que los recorridos se realicen con xito al no tener infor-
macin de datos histricos, se puede asignar de forma subjetiva.
La interpretacin subjetiva de la probabilidad tiene diferentes dificultades, y una de las principales es la dependencia en el juicio
de cada persona al asignarla, adems de que tal juicio debe estar completamente fuera de contradicciones, lo que es sumamente di-
f cil por depender de la persona que la asigna. Como se hizo mencin antes, a un mismo experimento se le pueden asignar diferentes
probabilidades de xito, dependiendo del cientfico que lo est realizando, aun en el caso de que dos o ms cientficos trabajen en
conjunto. Finalmente, podemos mencionar que en la asignacin de probabilidades subjetivas se emplea, en muchos casos, el conoci-
miento frecuentista que se tenga del experimento.
La asignacin subjetiva de probabilidades fue introducida en 1926 por Frank Ramsey en su libro The Foundation of Mathematics
and other Logical Essays. Posteriormente, Bernard Koopman, Richard Good y Leonardo Savage fueron perfeccionando esta manera
de asignar probabilidades.
Corriente bayesiana (a posteriori)

En la corriente bayesiana se asignan probabilidades a los eventos despus del experimento. Es decir, la asignacin de probabilidades
est basada en el conocimiento de la ocurrencia de eventos que estn en dependencia con el evento de estudio. Por ejemplo, si que-
remos asignar una probabilidad al evento de que el da 3 de septiembre llueva y tenemos la siguiente informacin:
a) Los das 1 y 2 de septiembre no llovi.
b) Los das 1 y 2 de septiembre lleg un huracn a 400 kilmetros de distancia y llovi ambos das.
Es obvio suponer que la asignacin de probabilidades en ambos casos es muy diferente, ya
Las probabilidades de este tipo que tenemos informacin que hace cambiar nuestra asignacin de probabilidades. En tal situacin
se estudian en el captulo 3, decimos que la informacin obtenida influy en la asignacin de probabilidades. Otro ejemplo, es el
Probabilidad condicional.
caso anterior cuando se lanza una moneda equilibrada tres veces y se cuenta la cantidad de soles

1.3 lgebra de eventos 11
que aparecen, el evento E: obtencin de dos soles en los tres lanza-

Despus de revisar las corrientes de probabilidad y ver que no tenemos
una forma universal de asignacin de probabilidades para un evento, mientos; la pregunta es: cul es la probabilidad de que ocurra el
concluimos que no es posible construir una teora matemtica formal evento E?, si se sabe que el primer lanzamiento result sol.
de las probabilidades. Por tanto, es necesario estructurar a la Esta corriente de probabilidad es la base motora de la teora
probabilidad sobre una base axiomtica que le d el formalismo que de decisiones, puesto que cualquier toma de decisiones est influi-
el lgebra, la geometra y las otras reas de las matemticas tienen, da por todo tipo de informacin que se pueda tener sobre un fen-
lo cual se logra haciendo uso de la teora de conjuntos aplicada a los meno en estudio. El uso de esta corriente es posible en la parte de
eventos, formando lo que denominaremos lgebra de eventos. decisiones llamada rboles de decisin.
Ejercicios 1.2
1. En qu se basa la definicin frecuentista para calcular la a) La probabilidad de que salga una carta roja al seleccionar
probabilidad de un evento? una carta de una baraja de 52.
2. Cmo se considera el espacio muestral en la corriente cl- b) La probabilidad de que salga un 2 o una carta negra al
sica de probabilidad? seleccionar una carta de una baraja de 52.
3. Cmo es la asignacin de probabilidades en los eventos de c) La probabilidad de que salga un 7 o un 8 al seleccionar
la corriente subjetiva? una carta de una baraja de las 52 cartas que contiene el
4. Por qu a la corriente bayesiana se le conoce tambin con el mazo.
nombre de a posteriori? d) La probabilidad de que en 2018 Marcelo Ebrard gane las
5. Cules son las dificultades por las que atraviesa la interpre- elecciones para presidente .
tacin clsica para la asignacin de probabilidades a los dife- e) La probabilidad de que 10 de los siguientes 80 usuarios
rentes eventos? del metro en la estacin Universidad sean estudiantes.
6. Si quiere abrir un negocio en cierta localidad y desea esti- f) La probabilidad de que el siguiente edificio ms alto que
mar una probabilidad de xito, qu tipo de corriente de pro- se construye en China se caiga en 40 aos.
babilidad aplicara en cada una de las situaciones indicadas 8. En los siguientes ejemplos, qu tipo de corriente se pudo
considerando lo siguiente: haber utilizado para la probabilidad asignada?
a) Cuenta con una gran cantidad de datos histricos sobre a) La probabilidad de que Vctor llegue temprano al trabajo
xitos y fracasos en la apertura de negocios del mismo es de 0.65.
ramo que el de usted en localidades semejantes. b) La probabilidad de que Raquel decida casarse este ao es
b) No tiene datos que le muestren algn histrico sobre las de 0.90.
probabilidades de xito de su negocio. c) La probabilidad de que Morelia gane el siguiente partido,
7. Cmo asignara probabilidades a los siguientes eventos? si ha ganado los cuatro ltimos juegos, es de 0.79.
1.3lgebra de eventos
En la seccin 1.1 se definieron los conceptos de espacio muestral y evento, entendiendo por este ltimo un subconjunto del espacio
muestral, entonces es posible utilizar los resultados obtenidos en la teora de conjuntos para los espacios muestrales y los eventos
para construir un lgebra de eventos.
Conceptos fundamentales de eventos

El espacio muestral fue denotado por S, los eventos con letras maysculas, A, B, C, etctera, mientras que los resultados del experi-
mento que cumplen las condiciones del evento se representan con letras minsculas a, b, etctera. Si el resultado a pertenece al
evento A, lo simbolizamos a A ; en caso contrario, por a A . Los eventos tambin se representan con llaves, dentro de las que se
escriben sus elementos (sin repetirlos!), o las propiedades que dichos elementos cumplen, por ejemplo:
A = { x | x es el lado que queda arriba al lanzar un dado} evento por comprensin.
A = {1, 2, 3, 4, 5, 6} evento por extensin.
Los eventos que revisamos en el texto se pueden clasificar en dos grandes grupos. El primero de ellos se define y ejemplifica a
continuacin.

Si al contar los elementos de un evento, el proceso de conteo termina en el tiempo, es decir, resulta una cantidad determinada, entonces
dicho evento se llama finito.
Ejemplos 1.7 Eventos finitos

1. A: Nmero par resultado del lanzamiento de un dado: A = {2, 4, 6}.
2. A: Al menos se observan cuatro soles en seis lanzamientos de una moneda: A = {4, 5, 6} .
A continuacin, definimos y mostramos dos ejemplos de eventos que no pueden ocurrir.

El evento que no contiene ningn elemento, esto es, en el que no existe algn resultado del experimento que cumpla las condiciones del
evento, se llama evento vaco. El evento vaco suele denotarse por o { }.
Ejemplos 1.8 Evento vaco

1. A: Lanzamiento de un par de dados y que la suma de los nmeros de sus lados sea mayor a 13. Es decir, A = { } , el evento A no
tiene ningn elemento, puesto que la mxima suma de los nmeros de las caras en el lanzamiento de dos dados es 12.
2. En una supervisin para el control de calidad se inspecciona un lote con 30 artculos, entre los cuales hay dos defectuosos. Sea
el evento A: Extraer cuatro artculos al mismo tiempo que contenga tres defectuosos. Como el lote tiene nicamente dos defec-
tuosos, entonces no existen eventos que contengan tres defectuosos; por tanto, A = .
Antes de definir al otro gran grupo de eventos en que se pueden clasificar todos estos, aparte
de los eventos finitos, veamos una definicin de eventos que no necesariamente son finitos, pero
Con la definicin de numerable que s podemos establecer un proceso de conteo entre sus elementos.
o contable se puede verificar
que cualquier evento finito es Se dice que un evento A es numerable o contable si entre sus elementos y el conjunto de los nmeros
numerable, ya que siempre ser naturales, , o algn subconjunto de este existe una correspondencia en la que a cada elemento del
posible establecer un proceso evento A le corresponde uno y solo un elemento de (o de algn subconjunto de ), adems a cada
de conteo entre sus elementos. elemento de (o de algn subconjunto de ), le corresponde un elemento de A.
A continuacin se muestran tres ejemplos de eventos numerables.
Ejemplos 1.9 Eventos numerables

Los siguientes incisos son casos particulares de eventos numerables.
1. El conjunto A = { x | x es una vocal }. Este evento es numerable, ya que podemos ponerlo en correspondencia con el subconjun-
to de los nmeros naturales {1, 2, 3, 4, 5} de la siguiente manera:
a 1 ; e 2; i 3; o 4; u5
2. El conjunto de los enteros . Este evento es numerable, ya que podemos ponerlo en correspondencia con el conjunto de los
nmeros naturales de la siguiente manera:
0 1 1 3 25
1 2 2 4 etctera
En donde, 0 1 significa que al cero le corresponde el uno, de manera similar 1 2 , significa que al 1 le corresponde
el 2, etctera.
3. A = { 8, 6, 4, 2, 0, 2, 4, } . Este evento es numerable y su correspondencia la podemos establecer por:
8 1 2 4
6 2 05
4 3 2 6 etctera
Por ltimo, definiremos al otro gran grupo de eventos entre los que podemos clasificar a todos los eventos que no son finitos.

Se dice que un evento A es infi-
Con la definicin de eventos finitos se puede notar que un evento numerable es infinito, si al contar los
nito si para cualquier evento
resultados posibles del evento el proceso de conteo no termina en el tiempo. Tambin cualquier evento
D = {1, 2, 3, 4,, n} no existe
no contable es infinito.
un valor de n con el que se
La teora de eventos infinitos requiere una preparacin conceptual profunda que sale de los
pueda establecer una correspon-
objetivos del texto, pero se recomienda consultar los trabajos de los mayores exponentes del tema,
dencia biunvoca entre A y D.
como el ruso Georg Ferdinand Ludwing Philipp Cantor (San Petersburgo, Rusia, 3 de marzo de
1845-Halle, Alemania, 6 de enero de 1918) y de los alemanes Julius Wilhelm Richard Dedekind (6 de A continuacin se muestran tres
octubre de 1831-12 de febrero de 1916) y Friedrich Ludwing Gottlob Frege (8 de noviembre de 1848- ejemplos de eventos infinitos.
26 de julio de 1925).
Ejemplos 1.10 Eventos infinitos

1. E: La cantidad de lanzamientos de una moneda hasta obtener la primera guila, E = {1, 2, 3, }.
2. El evento cuyos elementos son todos los puntos del intervalo indicado en donde los extremos son diferentes, E = (2, 7).
3. El evento que representa la temperatura corporal de una persona. Este evento es infinito ya que al medir la temperatura puede
ocurrir cualquier valor dentro de un intervalo.
Los conceptos anteriores, aunque sencillos, requieren de gran cuidado en su aplicacin. En los casos de eventos infinitos, se
presentan dificultades para encontrar la correspondencia que indique si son o no numerables. Si a esto agregamos que los eventos
infinitos no siempre son numerables y que la demostracin de esto no es sencilla surgen muchas dificultades para distinguir entre
eventos numerables y no numerables, adems de que es necesaria la introduccin de algunos otros conceptos que quedan fuera del
objetivo del libro. En el texto se tiene que los nicos eventos no numerables con los que tratamos son cuando resulten intervalos. Por
ejemplo, cualquier evento cuyos elementos son los puntos del intervalo (a, b) con a b no es numerable.
Relaciones fundamentales entre eventos

Cuando trabajamos con eventos observamos que entre sus elementos pueden existir algunas relaciones, mismas que revisamos a
continuacin.
Los eventos A y B correspondientes a un mismo experimento son iguales, si cualquier resultado de A es tambin elemento de B y vice-
versa:
A =
B , si a A, entonces a B y viceversa, b B , entonces b A.
A continuacin se muestra un par de ejemplos de eventos iguales.
Ejemplos 1.11 Igualdad de eventos

1. Los eventos A = {a , e , i , o , u} y el evento B = { x | x es una vocal }; en este caso, A = B.
2. Los eventos A = {1, 3, 5, 7, 9} y el evento B = { x | x es un nmero dgito impar}; en este caso, A = B.
Una relacin muy particular entre los eventos consiste en estudiar los casos cuando todos los elementos de un evento dado estn
contenidos en el otro evento, suceso que se define a continuacin.
Sean los eventos A y B correspondientes a un mismo experimento, se dice que A es subevento de B si cualquier elemento que est en A
est tambin en B. Lo anterior se simboliza A B. Es decir, A B; si a A, entonces a B. Cuando existe al menos un elemento de Aque
no est en B, entonces se dice que A B.
Para una mejor comprensin de lo que son los subeventos se proporcionan algunos ejemplos.
Ejemplos 1.12 Subeventos

1. Dados los eventos A = {a , e , i , o , u} y B = { x | x es una letra del alfabeto}, se cumple A B.
2. Sean A = [ 2, 5 ] y B =[ 9, 20 ], vemos que A B.
3. Sean A = [ 2, 5 ] y B = (2,10 ], en este caso A B, puesto que 2 A , pero 2 B .

Como se mencion antes, entre los elementos de dos o ms eventos puede ser que no exista
1. De las definiciones de igualdad de
eventos y subeventos se deduce alguna propiedad en comn, en dicho caso se dice que ambos se excluyen o, concretamente,
que si A = B, entonces A B que son mutuamente excluyentes, esto se formaliza con la definicin y los ejemplos siguientes.
y B A. Los eventos A y B, correspondientes a un mismo experimento, se llaman mutuamente excluyentes
2. Podemos generalizar que el si no tienen resultados comunes. Es decir, para cualquier a A, se cumple a B; de igual manera,
evento vaco es subevento de para todo b B, tenemos que b A.
cualquier evento.
Ejemplos 1.13 Eventos mutuamente excluyentes

1. Sean los eventos A = {a , e , i , o , u} y B = { x | x es una consonante}; en este caso, A y B son mutuamente excluyentes, ya que no
existe ningn elemento que sea vocal y consonante al mismo tiempo.
2. Sean A = [2, 5] y B = [9, 20]; en este caso, A y B son mutuamente excluyentes.
Entonces, podemos generalizar que el evento vaco es mutuamente excluyente con cualquier otro evento.
Diagramas de Venn-Euler
En muchas ocasiones es preferible emplear una repre-
sentacin grfica de los eventos de un experimento, la S
cual usualmente consiste en representar el espacio mues- A B
tral por rectngulos y los eventos por figuras circulares u
ovaladas en forma simple o sombreada, como se muestra
en la figura 1.2. Estos diagramas se emplean para visuali-
zar las operaciones fundamentales entre eventos y se les
llama diagramas de Venn-Euler en honor a los matem
ticos Leonhard Paul Euler (Basilea, Suiza, 15 de abril de
1707-San Petersburgo, Rusia, 18 de septiembre de 1783) Figura 1.2 Representacin de eventos por medio de diagramas
de Venn-Euler.
y John Venn (Hull, Yorkshire, Inglaterra, 4 de agosto de
1834-Cambridge, 4 de abril de 1923).
Se ha observado que muchos Operaciones fundamentales entre eventos

estudiantes cometen el Dado un espacio muestral y sus eventos, surge la pregunta sobre qu operaciones ser posible y es
gravsimo error, al realizar
conveniente definir entre estos. En esta subseccin se estudian algunas operaciones fundamenta-
operaciones entre eventos, de
les entre eventos, como unin, interseccin, diferencia y complemento.
indicar como resultado de estas
operaciones solo a los elementos,
sin formar un evento. Pero las Unin entre eventos
operaciones entre eventos La unin de los eventos A y B, correspondientes a un mismo experimento, constituye, en s mismo,
siempre deben dar como otro evento formado por los resultados que pertenecen al evento A o al evento B o a ambos. La
resultado otro evento.
unin la simbolizaremos por A B (A unin B).
A B = {x x A o x B } la unin de los eventos A y B.
La representacin general de la unin, por medio de diagramas de Venn-Euler, se ilustra en la parte sombreada de la figura 1.3.
S AB
A B
Figura 1.3 Representacin general de la unin entre dos eventos.

Ejemplos 1.14 Unin entre dos eventos

Observe que en el ltimo ejemplo
1. Sean los eventos A = {a , e , i , o , u} y B = {e , o , h, w }. Entonces: A B = {a , e , i , o, u , h, w} . (3, 4] [2, 5), y la unin fue
[2, 5). En general, si A B, se
2. Sean los eventos A =[ 1, 5) y B = (3, 8 ]. Entonces: A B = [1, 8 ]. cumple que A B = A.
3. Sean los eventos A = [ 2, 5) y B = (3, 4 ]. Entonces: A B = [ 2, 5) = A.
Interseccin entre eventos

La interseccin entre los eventos A y B, correspondientes a un mismo experimento, es otro evento formado por los elementos que
pertenecen a ambos eventos. La interseccin la simbolizaremos de la siguiente manera: A B (A interseccin B).
A B = { x x A y x B } la interseccin entre los eventos A y B.
La representacin general de la interseccin mediante diagramas de Venn-Euler, corresponde al rea sombreada de la figura 1.4.
S AB
A B
Figura 1.4 Representacin general de la interseccin entre A y B.
Ejemplos 1.15 Interseccin entre dos eventos

Observe que en el ltimo ejemplo
1. Sean los eventos A = {a , e , i , o , u} y B = {e , o , h, w }. Luego, A B = {e , o}. (3, 4] [2, 5), y la interseccin
2. Sean los eventos A =[ 1, 5) y B = (3, 8 ]. Luego, A B = (3, 5). fue (3, 4]. En general, si A B
se cumple que A B = B.
3. Sean los eventos A = [ 2, 5) y B = (3, 4 ]. Luego, A B = (3, 4 ] = B .
Diferencia entre eventos

La diferencia del evento A menos el evento B, correspondientes a un mismo experimento, es otro evento formado por los elementos
del evento A y que no pertenecen al evento B. La diferencia la simbolizaremos de la siguiente manera: A B (A menos B).
A B ={x x A y x B} la diferencia del conjunto A menos B.

La representacin general de la diferencia, mediante diagramas de Venn-Euler, se ilustra en el rea sombreada de la figura 1.5.
S AB
A B
Figura 1.5 Representacin general de la diferencia A B.

Ejemplos 1.16 Diferencia entre eventos Observe que en este ejemplo

(3, 4] [2, 5) y la diferencia
1. Sean los eventos A = {a , e , i , o , u} y B = {e , o , h, w } . Luego, A B = {a , i , u } y B A ={h, w}. fue . En general, si A B se
2. Sean los eventos A =[ 1, 5) y B = ( ]
3, 8 . Luego, A B = [ 1, 3 ] y B A = [ ]
5, 8 . cumple que B A = .
3. Sean los eventos A = [ 2, 5) y B = (3, 4 ]. Luego, B A = .
4. Sean los eventos A = [ 2, 5) y B = (13, 24 ]. Luego, A B = A y B A = B.
Observe que en el ltimo ejemplo A y B son mutuamente excluyentes. En general, si

los eventos son mutuamente excluyentes, se cumple que A B = A y B A = B.
Evento complementario o complemento de un evento

El complemento del evento A es otro evento formado por los resultados del experimento que pertenecen al espacio muestral, pero
que no pertenecen al evento A. El complemento del evento A, lo simbolizaremos como Ac o A' o (complemento de A).
Ac = { x x S y x A} el evento complementario de A.
La representacin general del complemento de un evento mediante diagramas de Venn-Euler se ilustra en el rea sombreada de
la figura 1.6.
S AC
A B
Figura 1.6 Representacin general del complemento de A.
Ejemplos 1.17 Evento complementario

1. Sea S = { x | x
es una letra del alfabeto} y B = { x | x es una consonante}. Luego, Bc = {a , e , i , o , u}.
[ 4,10 ] y A =
2. Sea S = [ 1, 5) , entonces Ac =[ 4, 1)[ 5,10 ].
A continuacin se muestra una serie de ejemplos de las operaciones entre eventos, en los que se consideran cualquiera de estas.
Ejemplos 1.18 Operaciones entre eventos

1. Dados el espacio muestral S = , el conjunto de los nmeros enteros y los eventos A = {2, 3, 5, 7, 11, 13, 17}, B = {5, 6, 7, 8,, 30},
C = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} y D =
{ 6, 4,, 10, 12}, encuentre:
a) A B, A B, C A, C D, A B, C A, A D.
A B = {2, 3, 5, 7, 11, 13, 17} {5, 6, 7, 8,, 30} = { 5, 7, 11, 13, 17}.
A B = {2, 3, 5, 7, 11, 13, 17} {5, 6, 7, 8, , 30} = {2, 3, 5, 6, 7, 8, , 30} .
C A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} {2, 3, 5, 7, 11, 13, 17} = {2, 3, 5, 7} .
C D = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} {6, 4, 2, 0, 2, 4, 6, 8, 10, 12}
{ 6, 4, 2, 0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 12}
=

A B ={2, 3, 5, 7, 11, 13, 17}{5, 6, 7, 8, , 30} =

{2, 3}.
C A ={0, 1, 2, 3, 4, 5, 6, 7, 8, 9}{2, 3, 5, 7, 11, 13, 17} =
{0, 1, 4, 6, 8, 9}.
A D = {2, 3, 5, 7, 11, 13, 17} {6, 4, 2, 0, 2, 4, 6, 8, 10, 12} = {2}.
B D = {5, 6, 7, 8, , 30} {6, 4, 2, 0, 2, 4, 6, 8, 10, 12} = { 6, 8, 10, 12}.
2. Encuentre los resultados de las operaciones siguientes:
a) ( A B )( A D) = {5, 7, 11, 13, 17}{2} = {5, 7, 11, 13, 17}.

c
b) ( B D ) C = { 6, 8, 10, 12} {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = {0, 1, 2, 3, 4, 5, 7, 9}.
c

c
c) ( A B ) C = {2, 3} {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = {0, 1, 4, 5, 6, 7, 8, 9}.
c

d) (C A) D = {0, 1, 4, 6, 8, 9} {6, 4, 2, 0, 2, 4, 6, 8, 10, 12} = { 0, 4, 6, 8}.

e) ( A D )C = {2} {0, 1, 2, 3, 4, 5, 6, 7, 8, 9} = .
c c c c
f) ( A B ) ( A D ) = { 5, 7, 11, 13, 17} {2}
= {1, 2, 3, 4, 6, 8, 9, 10, 12, 14, 15, 16, 18, 19, } {0, 1, 3, 4, } = {2}.
3. Con diagramas de Venn-Euler verifique si son vlidas las siguientes igualdades entre conjuntos.
a) Ac B = B A
S AC S AC B
A B A B
Figura 1.7 Representacin de la igualdad entre Ac B = B A.
4. Represente en diagramas de Venn-Euler los siguientes hechos: los eventos A y B son mutuamente excluyentes, A C 0 y
B C 0.
A B
Figura 1.8 Representacin del ejemplo 4.
Particiones de eventos
En teora del lgebra de eventos es de suma importancia trabajar con algunos eventos especiales donde sus mismos elementos son
eventos de un espacio muestral dado. De hecho, el desarrollo terico de las probabilidades est basado en dichos eventos, pero debi-
do a los fines de un texto prctico de probabilidad y estadstica, nos enfocaremos nicamente a uno de estos que definimos a conti-
nuacin.
Llamaremos familia de eventos al conjunto donde todos sus elementos son eventos. Para diferenciar en la notacin de un simple evento,
a la familia de eventos la representaremos por A, B, etctera.

Ejemplos 1.19 Familia de eventos

Indique cules son familia de eventos y cules no lo son.
1. {{1, 2, 3},{2, 3, 5, 7},{4, 8, 12, 16}} s es una familia de eventos, ya que sus tres elementos {1, 2, 3},{2, 3, 5, 7} y {4, 8, 12, 16}
son eventos.
2. {1, 2, {1, 2, 3} ,{2, 3, 5, 7}} no es una familia de eventos, puesto que sus elementos 1 y 2 no son eventos.
3. {,{1, 2, 3},{2, 3, 5, 7},{4, 8, 12, 16}} s es una familia de eventos, ya que sus cuatro elementos ,{1, 2, 3},{2, 3, 5, 7} yy {4, 8, 12, 16}
,{1, 2, 3},{2, 3, 5, 7} y {4, 8, 12, 16} son eventos.
4. {1, 2, 3,4 } no es una familia de eventos, puesto que ninguno de sus cuatro elementos es un evento.
Generalizacin de la unin e interseccin de eventos

Sean los eventos A1, A2, , An, podemos generalizar las operaciones de unin e interseccin entre ellos de la siguiente manera:
n
A = A A A
i=1
i 1 2 n = { x |existe una i I n tal que x Ai } unin
n
A = A A A
i=1
i 1 2 n = { x | x Ai para toda i I n } interseccin.
Donde In denota al conjunto de todos los nmeros naturales menores e iguales a n.
Ejemplos 1.20 Generalizacin de la unin e interseccin de eventos

Sean los eventos A11= {1, 2, 3, 4, 5, 6, 7, 8, 9}, A22= {1, 4, 7, 10, 13, 16, 19, 22}, A33= {3, 5, 7, 9, 11}, A44= {2, 4, 6, 8, 10} y A5 = {0, 1, 2,
A5 = {0, 1, 2, , 9}, encuentre la unin e interseccin de estos eventos.
Solucin
5
Unin: Ai = {0, 1, 2,, 10, 11, 13, 16, 19, 22}.
i=1
5
Interseccin: Ai = .
i=1
En el estudio de los eventos y sus operaciones surgen familias de eventos que debido a sus propiedades son de gran importancia
en la formalizacin del desarrollo de la Teora de las probabilidades, a dichas familias se les da el nombre de particiones.
Particin
Sea A un evento y A1, A2, , An subeventos de A, que forman una familia A = { A1 , A2 ,, An } de eventos, se dice que A es una par-
ticin del evento A, si los subeventos cumplen:
a) Para cualesquiera eventos Ai y Aj , de un mismo experimento, con i, j In, se cumple Ai = Aj o en caso contrario Ai A j =.
n
b) A = Ai .
i=1
Ejemplos 1.21 Particin

Dado el evento A = {1, 2,, 100} indique si los eventos siguientes, del mismo experimento, forman una particin de A.
1. A1 = {1, 2, 3, 4, 5, 6, 7}, A2 = {8, 9, , 70}, A3 = {70, 71, 72, , 100}.
Observamos que los tres eventos son subeventos de A, y con esto la segunda condicin de una particin se cumple, ya que
A =
A1 A2 A3 ; sin embargo, la primera condicin no se cumple, puesto que A2 A3 y A2 A3 . Entonces los eventos no
forman una particin de A.

2. A1 = {10, 11,, 19}, A2 = {20, 21,, 29}, , A9 = {90, 91, , 100} y A10 los nmeros dgitos.
Aqu, se puede verificar que se cumple la primera condicin de particiones, ya que los 10 eventos son mutuamente excluyentes,
los eventos no forman una particin de A, ya que el evento A10 no es un subevento de A, puesto que 0 A10, pero 0 A.
3. A1 = {10, 11,, 19} , A2 = {20, 21,, 29} , , A9 = {90, 91,, 100} y A10 = {1, , 9}.
Estos eventos s forman una particin del evento A, ya que se cumplen las condiciones:
A =
A1 A2 A10 y todos los pares de eventos son mutuamente excluyentes.
4. A1 = {10, 11, , 19} , A2 = {20, 21, , 29} , , A9 = {90, 91, , 100} , A10 = {1, , 9} , A11 = {10, 11, , 19} .
Estos eventos s forman una particin del evento A, ya que se cumplen las condiciones:
A =
A1 A2 A11 , y todos los pares de eventos son mutuamente excluyentes, excepto los eventos 1 y 11, pero en este caso
se tiene que el evento 11 es igual al evento 1.
5. A = .
a) (
A1 = , 4 ), A2 = [ 4, 7), A3 = [ 7, 45 ], A4 = ( 45, 1 056 ], A5 =+
(1 056, ). Se comprueba que estos eventos s forman
una particin del evento A.
(
b) A1 = , 0), A2 = [ 0, ), estos eventos tambin forman una particin del evento A.
En el ltimo inciso, podemos observar que los dos eventos son complementarios. Es decir, A1 = A2 y A2 = A1. Entonces, el ejem-
c c
plo 5b se puede generalizar.

c
6. Cualquier par de eventos A con su complemento A siempre forman una particin de S.
a) Por ejemplo, si S = {1, 2, 3, 4, 5, 6, 7}, entonces una particin podra ser: A = {1, 3, 5, 7} y A c = {2, 4, 6} .
b) Si S = [ 0, 20 ] , entonces una particin estara formada por la pareja A = [ 0, 4 ] y A = ( 4, 20 ].
c

Leyes del lgebra de eventos

Trabajar con eventos basndose en la definicin de sus operaciones o propiedades resulta bastante tedioso. La solucin de problemas
relacionados con los eventos tambin se puede hacer de manera fcil e intuitiva por medio de los diagramas de Venn-Euler, pero este
mtodo carece de un fundamento slido terico para cualquier caso en general. Por lo anterior, se introducen las siguientes leyes de
la teora de eventos, llamadas Leyes o propiedades del lgebra de eventos.
Sean S el espacio muestral y A una familia de eventos en S, con A, B y C, eventos cualesquiera de S, que pertenecen a A, llama-
remos Leyes del lgebra de eventos a las siguientes propiedades.
Tabla 1.1 Leyes del lgebra de eventos.
Leyes de idempotencia
AA = A AA = A
Leyes asociativas
( A B ) C = A (B C ) ( A B ) C = A (B C )
Leyes conmutativas
A B = B A A B = B A
Leyes distributivas
A (B C ) = ( A B ) ( A C ) A (B C ) = ( A B ) ( A C )
Leyes de identidad
A = A A S = S
A = A S = A
Leyes de complemento
A Ac = S A Ac =
c
(A c ) = A Sc = , c = S
c
Leyes de DeMorgan c
(A B ) = A c B c (A B ) = A c B c

Con ayuda de estas leyes se pueden efectuar demostraciones sobre la igualdad entre eventos, como se muestra en los ejemplos
siguientes.
Ejemplos 1.22 Leyes del lgebra de eventos

Con las leyes del lgebra de eventos verifique las igualdades siguientes:
1. A ( A c B ) = A B .
A ( A c B ) = ( A A c )( A B ) ley distributiva,
=( A B ) ley del complemento,
= A B ley de identidad.
2. A ( A B ) = A.
A ( A B ) = ( A )( A B ) ley de identidad,
= A ( B ) ley distributiva,
= A ley de identidad,
= A ley de identidad.
3. ( A B C ) ( A c B C ) ( B c C c ) = S
( A B C ) ( A c B C ) ( B c C c ) =
= ( A B C )( A c ( B C ))( B C ) leyes de De Morgan y asociativa,
c
(
) (
c c
)
= ( A B C ) A c ( B C ) ( B C )( B C ) ley distributiva,

(

c
) c
= ( A B C ) A ( B C ) S ley del complemento,

= ( A B C )( A ( B C ) ) ley de identidad,
c c
= ( A B C )( A ( B C )) ley de De Morgan,
c
= S ley del complemento.
Ejercicios 1.3
1. Mencione dos ejemplos de eventos finitos y dos de eventos c
e) ( A C ) B .
infinitos. 4. Por medio de diagramas de Venn-Euler verifique que son cier
2. Indique si los siguientes eventos son numerables.
tas las igualdades siguientes:
a) A = {2, 4, 8, 16, 32, } .
a) A B = A B c .
b) A = {a, b, c, d, }. b) A B =
c
( A B )c .
c) A = {45, 44, 43, 42, 41, 40, }. c) ( B A) C = ( B C )( A C ) .
c c c

d) A = [ 2, 1 768 ] d) A ( A B ) = A B .
c

e) A =
c
( 134, 234) . e) ( A B ) = A B .
c c

3. Dado el espacio muestral S = {0, 1, , 20}, los eventos 5. En los eventos siguientes construya una particin de cada
A = {2, 4, 5, 6, 7, 8, 9, 11, 12, 13, 15} , B = {0, 2, 4, , 20} y uno.
C = {2, 3, 5, 7, 11} , encuentre: a) A = {2, 4, 6, 8, 10, 11, 13, 15, 17, 19, 20} .
a) A B .
c c b) A = (2, 24 ) .
c) Nmeros naturales.
b) ( A B ) C .
c c

d) A = {0, 1, 2, 3, 4, 5, 6, 7, 8, 9}
c) A ( B C ) .
c
d) ( B C ) A .

1.4 Axiomatizacin de la probabilidad 21
1.4 Axiomatizacin de la probabilidad

En la seccin 1.2 se trata el problema relativo a la asignacin de probabilidades para un evento, donde tambin se destaca la impor-
tancia de crear una base terica para el estudio de la probabilidad. Dicha formalizacin comenz en la seccin anterior al introducir
el espacio muestral y los eventos as como las leyes del lgebra de eventos.
En la presente seccin daremos por hecho la asignacin de probabili-
Andri Nikolyevich Kolmogrov (Tambov, Rusia, 25 de abril dad a un evento y comenzaremos a desarrollar una teora axiomtica de las
de 1903-Mosc, 20 de octubre de 1987), fue un matemtico probabilidades, a partir de la siguiente definicin.
que trabaj en probabilidad, topologa, series de Fourier,
teora de conjuntos, turbulencias, mecnica clsica, y teora Dado un experimento con espacio muestral S y una familia de eventos A
de la complejidad algortmica. En 1929 obtuvo su doctorado de S tal que sus elementos cumplen con las leyes del lgebra de eventos,
en la universidad estatal de Mosc. Junto con Mrkov llamaremos probabilidad axiomtica a la funcin numrica P, cuyo do-
trabajaron en procesos estocsticos y de forma independiente minio es A y rango el intervalo [0, 1], y es tal que los valores P(E) para
al matemtico britnico Sydney Chapman desarrollaron las cualquier E en A , cumplen con los siguientes tres axiomas, llamados
ecuaciones de Chapman-Kolmogrov de las cadenas de axiomas de Kolmogrov, para familias finitas:
Mrkov. En 1933 public el libro Los fundamentos de la Axioma 1. Para cualquier evento E, de A, se cumple P(E) 0.
teora de la probabilidad, en el que establece las bases de Axioma 2. Para el espacio muestral S, P(S) = 1.
una teora axiomtica de la probabilidad; gracias a este Axioma 3. Para cualquier sucesin infinita (o finita) de eventos mutua-
trabajo adquiere una gran reputacin y popularidad entre los mente excluyentes, de A, E1, E2, E3, , se cumple
matemticos que investigaban sobre la probabilidad.

P E k =+
k =1
P ( E 1 ) P ( E 2 )+ =
k =1
P ( E k ).
A la terna (S, A, P) se le suele llamar espacio probabilstico. Hechas las aclaraciones anteriores y basndonos en los axiomas 1, 2 y
Note que en la definicin de probabilidad axiomtica no se 3 o los casos particulares del axioma 3, podemos formular los teoremas
menciona el mtodo de obtencin de la probabilidad, es
necesarios para desarrollar una teora axiomtica de la probabilidad.
decir, al nmero P(E) para cualquier evento E en A, se le
puede asignar un valor numrico de probabilidad segn
alguna de las interpretaciones de probabilidad conocidas. Teorema 1.1
Por tanto, llamaremos a P(E) la probabilidad del Sea el evento vaco, entonces P() = 0.
evento E, si para cualquier evento E en A, cumple con Demostracin
los axiomas de Kolmogrov.
En particular, la asignacin de probabilidades segn las Sea el espacio muestral S, por la ley de identidad S = S . Como S y
corrientes de probabilidad mencionadas cumplen con los son mutuamente excluyentes, en virtud del axioma 3, se deduce que
axiomas de Kolmogrov. P ( S ) = P ( S ) = P ( S ) + P (), restando la probabilidad de S en ambos
El axioma 3 generalmente en los textos metodolgicos se
lados de la igualdad, resulta que P() = 0.
formula para dos eventos A y B mutuamente excluyente,
quedando P ( A B ) = P ( A ) + P ( B ) . En el caso de n
Teorema 1.2
eventos E1, E2, E3, , En mutuamente excluyentes, el
axioma est dado por: Para cualquier evento E, P ( E c ) =
1 P ( E ).
n n Demostracin
P (E 1) P (E 2 ) + + P (E n ) = P (E k ).
P E k =+
k =1
Sea el espacio muestral S, y E un evento en S. Por la ley del complemento,
k =1
tenemos que S = E Ec, por el axioma 2 se cumple 1 == P ( S ) P ( E E c ).

c
Por otro lado, E y E son mutuamente excluyentes, de esta manera empleando el axioma 3 tendremos:
P( S ) P ( E E c ) = P( E )+ P ( E c )
1 ==
pasando P(E) al otro lado de la igualdad se obtiene P ( E c ) =
1 P ( E ).
Teorema 1.3
Para cualquier evento E, 0 P(E) 1.
Demostracin
Sea S el espacio muestral y E un evento en S, del axioma 1 tenemos que P(E) 0 y P(Ec) 0. Por el teorema 1.2, P(Ec) =
1 - P(E), de donde se deduce que P(E) = 1 - P(Ec) 1. Por tanto, 0 P(E) 1.
Teorema 1.4
Si A y B son eventos de un mismo espacio muestral, tales que A B, entonces
P(A) P(B).

Demostracin
De las condiciones del teorema tenemos que A B, por tanto, B se puede representar como B = A ( B A), en donde A y
B - A son mutuamente excluyentes. Del axioma 3, tenemos P ( B ) = P ( A ( B A)) = P ( A) + P ( B A). Por el axioma 1
P ( B A) 0, entonces se cumple
P ( B ) =+
P ( A) P ( B A) P ( A), de donde P ( A) P ( B ).
Teorema 1.5
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que:
P ( A B ) = P ( A) + P ( B ) P ( A B ).
Demostracin
Empleando las leyes del lgebra, tenemos que:
A B = ( A B ) S ley de identidad,
= ( A B ) ( A A c ) ley del complemento,
= A ( B A c ) ley distributiva.
Adems A y B Ac, son mutuamente excluyentes, entonces
(
P ( A B ) = P A ( B A c ) =+ )
P ( A) P ( B A c ) (1)
De manera similar, se tiene que B = ( A B ) ( B A ), donde A B y B A son mutuamente excluyentes. Por tanto:
c c
( )
P ( B ) = P ( A B ) ( B A c ) = P ( A B ) + P ( B A c )
Despejando P ( B A ), resulta P ( B A ) = P ( B ) P ( A B ) y sustituyendo en la igualdad (1), se obtiene:
c c
P ( A B ) = P ( A) + P ( B ) P ( A B )
El siguiente teorema muestra la generalizacin del teorema 1.5.
Teorema 1.6
Para k eventos cualesquiera A1, A2, , Ak, de un mismo espacio muestral, se cumple que:
k k k
P( Ai ) P( Ai A j )+
P ( A1 A2 Ak )=
i=<
1 i j=<
2 i j<r =3
P ( Ai A j Ar )
++ (1) k1 P ( A1 A2 Ak )
Teorema 1.7
Para dos eventos cualesquiera A y B de un mismo espacio muestral, se cumple que
P( A B ) =P ( A) P ( A B ).
Demostracin
Del ejercicio 4a de los ejercicios 1.3, A B =A B c . Por otro lado, A =
( A B c ) ( A B ) pero A Bc y A B son mutuamente
excluyentes, entonces del axioma 3
P ( A) =
P ( A B c ) + P ( A B ), de donde P ( A B ) =P ( A) P ( A B ).
La formulacin y demostracin de los teoremas del 1.1 al 1.7 fue fundamental para iniciar la construccin de una teora de las proba-
bilidades que ser utilizada en la parte estadstica del texto. Para una mejor comprensin de los teoremas se han diseado algunos
ejemplos que se muestran a continuacin.
Ejemplos 1.23 Teoremas

1. Sean los eventos A y B, correspondientes a un mismo espacio muestral, tales que: P ( A c ) = 0.6 , P ( B c ) = 0.7 y P ( A B ) = 0.2.
Calcule: P(A B).

Solucin
Empleando el teorema 1.2, tenemos que
1 P ( A c ) =
P ( A) = 1 0.6 = 0.4 y
1 P ( B c ) =
P ( B ) = 1 0.7 = 0.3 .
Finalmente, del teorema 1.5 resulta que
P ( A B ) = P ( A) + P ( B ) P ( A B ) = 0.4 + 0.3 0.2 = 0.5 .

2. Sean los eventos A y B correspondientes a un mismo espacio muestral, tales que: P (( A B )c ) = 0.2, P ( A c ) = 0.2 y P( A B ) = 0.2,
calcule P(A) y P(B).
Solucin
Empleando el teorema 1.2 tenemos
1 P ( A c ) =
P ( A) = 1 0.2 = 0.8 .
Similarmente,
P ( A B ) = 1 P (( A B )c ) =
1 0.2 = 0.8 .
Finalmente, del teorema 1.5 resulta
P ( A B ) = P ( A) + P ( B ) P ( A B ).
Despejando P(B)
P ( B ) =
P ( A B ) P ( A) + P ( A B ) = 0.8 0.8 + 0.2 = 0.2.
3. Sean los eventos A y B, correspondientes a un mismo espacio muestral, tales que P ( A c ) = 0.4 , P ( B ) = 0.5 y P ( A B ) = 0.7.
Calcule P(A - B) y P(Ac - Bc).
Solucin
Del teorema 1.2, P ( A) =1 P ( A c ) =1 0.4 = 0.6, y del teorema 1.5 despejando la probabilidad de la interseccin P(AB) =
P ( A B ) = P ( A) + P ( B ) P ( A B ) = 0.6 + 0.5 0.7 = 0.4, del teorema 1.7, tenemos
P( A B ) =P ( A) P ( A B ) =
0.6 0.4 =
0.2 .
De igual manera, para calcular la probabilidad P ( A c B c ) recurrimos al teorema 1.7
P( Ac B c )=
P ( A c ) P ( A c B c ) aplicando la ley de De Morgan,
P ( A c ) P (( A B )c ) con los complementos,
=
=0.4 0.3
= 0.1.
Una de las dificultades de utilizar lgebra de eventos, axiomas de Kolmogrov y teoremas demostrados
es que se deben memorizar sus resultados para poder emplear estas. En lugar de seguir este S AC
camino, mostraremos que combinando las leyes del lgebra, los teoremas del 1.1 al 1.7 y los
diagramas de Venn-Euler, la solucin para este tipo de problemas se simplifica en gran medida. Por
ejemplo, podemos calcular con facilidad las dos probabilidades anteriores si trazamos el diagrama A B
de probabilidades de Venn-Euler.
El diagrama de probabilidades de Venn-Euler se obtiene al agregar las probabilidades a los 0.2 0.4 0.1
sectores del diagrama que resultan de las condiciones del problema. Por ejemplo, en el problema
anterior calculamos:
0.3
1 P ( A c ) =
P ( A ) = 1 0.4 = 0.6 y P ( A B ) = P ( A ) + P ( B ) P ( A B ) = 0.6 + 0.5 0.7 = 0.4 .
Entonces, el diagrama de Venn-Euler de probabilidades para calcular P ( A B ) y P ( A c B c ) Figura 1.9 Diagrama de Venn-Euler de
est dado en la figura 1.9. probabilidades para el ejemplo 1.23 inciso 3.

Explicacin
La probabilidad de la interseccin result P ( A B ) = 0.4; como P ( B ) = 0.5, entonces la parte de B que no pertenece a la interseccin vale 0.1. De
manera similar, del valor P ( A ) = 0.6 podemos concluir que la probabilidad para la parte de A, que no est en la interseccin, debe ser 0.2. Por ltimo,
la probabilidad para el complemento de la unin vale 0.3. De aqu se pueden calcular las probabilidades deseadas mediante los diagramas de Venn-Euler.
Enseguida, dibujamos el diagrama de Venn-Euler para P ( A B ) y P ( A c B c ), obteniendo los diagramas de la figura 1.10.
S AB S AC BC
A B A B
0.2 0.4 0.1 0.2 0.4 0.1
0.3 0.3
Figura 1.10 Representacin general de la diferencia A - B y Ac - Bc.
Al observar el diagrama de la figura 1.10, la parte sombreada corresponde a P ( A B ) =0.2 y P ( A c B c ) =

0.1 , cuyos resultados coinciden con los
encontrados a travs de los teoremas.
4. Un juego consiste en extraer de manera aleatoria dos pelotas al mismo tiempo de una urna que contiene cinco pelotas numera-
das de 1 a 5, de igual forma y tamao. La persona gana si las dos pelotas extradas tienen nmero par, en otro caso la persona
pierde. Calcule la probabilidad de que la persona gane.
Solucin
En este ejemplo el experimento consiste en extraer dos pelotas aleatoriamente de un total de cinco, numeradas del 1 al 5.
Definido el experimento el espacio muestral, en este caso lo podemos numerar, resulta:
{1 2, 1 3, 1 4, 1 5, 2 3, 2 4, 2 5, 3 4, 3 5, 4 5}
S =
En donde la pareja i - j, representa a la extraccin de las pelotas i con la j, con i j e i, j desde 1 hasta 5. El evento E lo definimos,
como: las dos pelotas extradas tienen nmero par. As,
{2 4 }.
E =
Por tanto, del espacio muestral encontrado, y considerando a los puntos muestrales equiprobables (explique esto ltimo!), tene-
mos que la probabilidad del evento E estar dada por:
1
P ( E ) == 0.10.
10
5. Un experimento consiste en lanzar un dado no cargado una vez y, si sale un nmero impar entonces se lanza una moneda no
cargada. Si el lanzamiento del dado resulta par, entonces se lanza el dado por ltima vez.
a) Describa el espacio muestral para este experimento.
b) Asigne probabilidades a los puntos muestrales de acuerdo con las condiciones del experimento. Son equiprobables los pun-
tos muestrales?
La descripcin del espacio muestral es sencilla, simbolizando los resultados del dado por 1, 2, 3, 4, 5 y 6; mientras que los de
la moneda por s para sol y a en el caso de guila, resultando
S = {(1, s ),(1, a ),(2, 1),(2, 2),(2, 3),(2, 4),(2, 5),(2, 6)
(3, s ),(3, a ),(4, 1),(4, 2),(4, 3),(4, 4),(4, 5),(4, 6)
(5, s ),(5, a ),(6, 1),(6, 2),(6, 3),(6, 4),(6, 5),(6, 6)} .
Es decir, el espacio muestral tiene 24 elementos.
Para la asignacin de probabilidades en este momento se dificulta en forma considerable, esto se debe a que no tenemos las
herramientas necesarias para tal efecto (en el captulo tres regresaremos al problema y, como veremos, el clculo de sus
probabilidades es demasiado sencillo, si se resuelve por medio de eventos independientes). Primero, notamos que los puntos
que estn en A:

A = {(2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)}
.
Dichos puntos deben tener la misma probabilidad de ocurrir, puesto que todos se obtienen lanzando el dado dos veces.
Similarmente, los puntos que pertenecen a B deben tener la misma probabilidad de ocurrir (primero se lanza el dado una vez y
despus la moneda):
B = {(1, s ), (1, a ), (3, s ), (3, a ), (5, s ), (5, a )}.
Observamos que en los dos casos de puntos muestrales A y B una pareja cualesquiera, considerando un punto por evento,
por ejemplo (2, 1) A y (1, s ) B , no han de tener la misma probabilidad de ocurrir, puesto que la probabilidad de que al lanzar
1
el dado resulte 1 es igual a que resulte 2, y son iguales a ; mientras que la probabilidad de que al lanzar la moneda resulte sol, la
6
podemos considerar como 0.5. Es decir:

1 1

probabilidad de 2: probabilidad de 1:
6 6
Para la pareja (2, 1): ; para la pareja (1, s): .

1 1
probabilidad de 1: probabilidad de s:

6 2
Hasta ahora se ha descompuesto al espacio muestral S en dos eventos A y B, mutuamente excluyentes y se ha demostrado que
los puntos muestrales de S no son equiprobables, pero an no hemos asignado probabilidades a los puntos muestrales!
Asignacin de probabilidades para los puntos

de las parejas de A
Si consideramos un espacio muestral S*, que contenga a los puntos muestrales que correspondan al experimento de lanzar un dado
dos veces, vemos que:
SS** = {(1, 1), (1, 2), (1, 3), (1, 4), (1, 5), (1, 6), (2, 1), (2, 2), (2, 3), (2, 4), (2, 5), (2, 6),
(3, 1), (3, 2), (3, 3), (3, 4), (3, 5), (3, 6), (4, 1), (4, 2), (4, 3), (4, 4), (4, 5), (4, 6),
(5, 1), (5, 2), (5, 3), (5, 4), (5, 5), (5, 6), (6, 1), (6, 2), (6, 3), (6, 4), (6, 5), (6, 6)} .
En este caso A S*, y como todos los puntos de este espacio muestral tienen la misma probabilidad de ocurrir, puesto que se
obtienen de forma semejante (lanzando el dado dos veces) y la cantidad de puntos muestrales es 36, tenemos que la probabilidad de
1 18 1
cualquier punto del evento A es . Por tanto, de la definicin clsica de probabilidad resulta: P ( A) == .
36 36 2
Asignacin de probabilidades para los puntos

de las parejas de B
Como los eventos A y B son mutuamente excluyentes, por los axiomas 2 y 3 de Kolmogrov:
1 ==
P ( S ) P ( A B )=P ( A) + P ( B ) =
0.5 + P ( B ).
1
Despejando la probabilidad del evento B, resulta: P ( B ) = .
2
Como ya se mencion, los puntos B = {(1, s ), (1, a ), (3, s ), (3, a ), (5, s ), (5, a )} deben tener la misma probabilidad de ocurrir.
Luego, simbolizando el evento simple E k = {( k , x )} , para k = 1, 3, 5 y x = s, a, ahora con la definicin clsica de probabilidad se tiene
1
P ( B ) ==
6 P( E k ) , despejando P(Ek):
2
1
P ( E k ) = , para k = 1, 3, 5 y x = s, a.
12
Con esto se concluye que los puntos muestrales de S no son equiprobables.

Ejercicios 1.4
1. Sean A y B dos eventos, en un mismo espacio muestral, tales 7. Un aparato electrnico contiene cinco sistemas electrni-
que P ( A) = 0.3, P ( B ) = 0.3 y P ( A B ) = 0.4. Calcule: cos, de los cuales dos son realmente defectuosos. Se selec-
a) P ( A B ) b) P ( A c B c ) cionan al azar y al mismo tiempo dos de los cinco sistemas
2. Sean A y B dos eventos, en un mismo espacio muestral, tales para someterlos a pruebas rigurosas y clasificarlos como de
que P ( A B ) = 0.9. Calcule P ( A B ).
c c fectuosos o no defectuosos. Encuentre el espacio muestral y
3. Sean los eventos A y B, en un mismo espacio muestral, tales los eventos en cada caso si la probabilidad de que los dos
que P ( A) = 0.5, P ( B ) = 0.7 y P ( A B ) = 0.4. Calcule: sistemas probados sean buenos
a) P ( A B ) b) P ( A B ). a) Si no hay diferencia entre buenos, ni entre defectuosos
c c

4. Sean A y B dos eventos mutuamente excluyentes tales que (son indistinguibles entre s).
b) Si existen diferencias entre buenos y entre defectuosos
P ( A) = 0.3 y P ( B ) = 0.6. Calcule P ( A B ).
c c
(son distinguibles entre s).
5. Sean A y B dos eventos mutuamente excluyentes tales que
8. Resuelva el ejercicio anterior cuando la seleccin se realiza
P ( A) = 0.4. Calcule P ( A c B ).
analizando o seleccionando un sistema tras otro. Comente
6. Suponga que se lanzan tres monedas perfectas y se observa
los resultados obtenidos en ambos casos.
la cantidad de guilas que quedan hacia arriba. Establezca
9. Sean los eventos A, B y C en un mismo espacio mues
los puntos muestrales de este experimento y
tral, tales que A y B son mutuamente excluyentes, con
a) Asigne una probabilidad razonable a cada punto. Son
P ( A B C ) = 0.1, P ( A C ) = 0.2, P ( B C ) = 0.1 y P(C)
c
los puntos igualmente probables?
b) Sea A el evento de observar exactamente una vez guila y P (C ) = 0.4. Calcule: P ( A B ). Sugerencia: Trace un diagrama
B el evento de observar al menos un guila. Obtenga los de Venn-Euler.
puntos muestrales de A y B y calcule P ( A c B ).
Ejercicios de repaso
Preguntas de autoevaluacin b) A B A y A B B
c) A - B A
1.1 Explique qu es un modelo matemtico. d) A - B B
1.2 Cmo se le llama al proceso por el que se describen los e) A A - B
resultados de un modelo probabilstico? f) Ac A = S
1.3 Cmo se le llama al conjunto de todos los resultados po- 1.12 Defina una particin del espacio muestral.
sibles de un experimento estocstico? 1.13 Escriba las leyes de De Morgan de lgebra de eventos.
1.4 Cmo se le llama al conjunto que representa a una parte 1.14 Describa los tres axiomas de Kolmogrov para lgebra
de todos los resultados posibles (pueden ser todos los re- finita.
sultados o ninguno) de un experimento estocstico? 1.15 Sean A y B dos eventos cualesquiera de un mismo espa-
1.5 Cules son las corrientes de probabilidad ms comunes? cio muestral. Determine qu incisos son correctos.
1.6 Si una persona asigna probabilidades a eventos depen- a) P ( A B ) = P ( A)
diendo de su experiencia para realizar una toma de b) P ( A B ) P ( A)
decisin, estara empleando la corriente de probabilidad c) P ( A B ) P ( A)
llamada ____________________. d) P ( A c ) = P ( A) 1
1.7 Cuando la probabilidad de ocurrencia de un evento se e) P ( A) = 1 P( A c )
asigna antes que se realice el experimento se le llama pro- 1.16 Responda la siguiente cuestin y justifique su respuesta:
babilidad de tipo ____________________. si el evento E est constituido de solo elementos negati-
1.8 Explique cundo dos eventos son mutuamente exclu- vos, entonces su probabilidad tendr que ser negativa?
yentes. 1.17 Qu evento es un subevento de cualquier otro evento?
1.9 Enumere las operaciones fundamentales entre eventos. 1.18 A B = , solo puede ocurrir si A y B son ___________.
1.10 El resultado de operaciones entre eventos siempre debe 1.19 A B = solo puede ocurrir si:
resultar otro ____________________. 1.20 Si A y B son dos eventos mutuamente excluyentes, qu
1.11 Sean A y B dos eventos cualesquiera de un mismo espa- incisos son correctos?
cio muestral. Determinar qu incisos son correctos. a) Ac y B tambin son mutuamente excluyentes.
a) A B A y A B B b) Ac y Bc tambin son mutuamente excluyentes.

Ejercicios de repaso 27
c) P ( A B ) = P ( A) + P ( B ) . a) P ( A c B c ) b) P ( A c B ) .
d) P ( A B ) = P ( A) P ( B ) . 1.28 Sean A y B dos eventos mutuamente excluyentes tales
e) B es un subconjunto de Ac.
que P(A) = x y P(B) = y, con 0 < x + y < 1 y x, y > 0.
f ) P ( A B ) = 0.
g) P ( A B ) = P ( A) . ( c
Calcule P ( A B ) . )
1.21 En trminos generales, el clculo de probabilidades es 1.29 Sean los eventos A y B, mutuamente excluyentes, con
equivalente a: P(Ac) = 0.6 y P(Bc) = 0.7. Calcule P(A B).
a) Predecir el futuro. 1.30 Sean los eventos A y B, en un mismo espacio muestral,
b) Encontrar valores numricos que permitan cuantifi- tales que P(A B) = 0.4. Calcule P(Ac Bc).
car la incertidumbre. 1.31 Sean A y B dos eventos, en un mismo espacio muestral,
c) Establecer relaciones causa-efecto para fenmenos tales que P(A) = 0.7, P(A B) = 0.9 y P(B) = 0.6. Calcu-
naturales o experimentales. le P(Ac B).
d) Ninguna de las anteriores. 1.32 Sean los eventos A y B, en un mismo espacio muestral,
1.22 Indique si las siguientes afirmaciones son verdaderas o tales que P(A) = 0.7, P(Bc) = 0.6 y P(A B) = 0.9. Cal-
falsas y explique su respuesta. cule:
a) El evento A = [ 0,1] es un ejemplo de un evento infi- a) P(Ac B) b) P(Ac Bc)
nito contable, porque contiene un primer y ltimo 1.33 Qu corriente de probabilidad ser conveniente em-
elemento. plear para la asignacin de un valor numrico al suceso
b) El evento A = {1, 2, 3, } es un ejemplo de un even- de que Miguel Prez se case este ao?
to infinito, por tanto no es contable, adems pode- 1.34 El administrador de la logstica de la red de distribucin
mos agregar que no es contable; porque no contiene de una lnea de autobuses tiene que tomar la decisin de
un ltimo elemento. cmo distribuir dos de cinco autobuses que viajen a
1.23 En la formulacin de las siguientes preguntas existe un Guadalajara. Represente por a1, a2, a3, a4 y a5 a los cinco
error, indique cul es. autobuses y contesta lo siguiente.
Nota: No se pide resolver el problema! a) Describa al espacio muestral del experimento al se-
a) Sean A y B dos eventos mutuamente excluyentes leccionar dos autobuses para viajar a Guadalajara.
con: P(A) = 0.5, P(Bc) = 0.6 y P(AB) = 0.1. Calcu- b) Sern los puntos mustrales equiprobables. Justifi-
le P(A B). que su respuesta.
b) Sean A y B dos eventos que forman una particin 1.35 Suponga que se lanzan dos dados. Calcule la probabilidad
delespacio muestral, con: P(A) = 0.5 y P(B) = 0.3. de que la suma de los nmeros de las caras que quedan
Calcule P(A B). hacia arriba sea 7.
c) Sean A, B y C eventos que forman una particin del 1.36 Suponga que se lanzan tres monedas no cargadas y que
espacio muestral S, con: P(A) = 0.4, P(B) = 0.6 y se observa la cantidad de guilas que quedan hacia arri-
P(C) = 0.3. Calcule P(A B C). ba. Establezca los puntos muestrales de este experimen-
d) Si A y B son dos eventos mutuamente excluyentes, to y asigne una probabilidad razonable a cada punto. Sea
entonces en general P ( A B ) = P ( A) P ( B )? A el evento de observar exactamente un guila y B el
evento de observar al menos un guila. Calcule P(A B).
Ejercicios complementarios con grado 1.37 Sean los eventos A = { x | x es un profesionista de Mxi-
de dificultad uno co y es administrador} y B = { x | x es un profesionista
deMxico y sabe finanzas}; el espacio muestral se refiere
1.24 Dado el espacio muestral S = {0, 1, , 20}, los eventos a todos los profesionistas de Mxico, segn datos del
A = {2, 4, 5, 6, 7, 8, 9, 11, 12, 13, 15}, B = {0, 2, 4, , 20} censo de 2005, 10% de los profesionistas mexicanos son
y C = {2, 3, 5, 7, 11}, encuentre: administradores; 30% de los profesionistas mexicanos sa
b) ( A c B ) C
c
a) A c B c ben finanzas, pero solo 7% de los profesionistas son ad-
1.25 Si A es el evento formado por las vocales, indique cul de ministradores y saben finanzas.
las siguientes familias representa una particin de A. a) Son los eventos A y B mutuamente excluyentes? Jus-
tifique su respuesta.
a) {{a , e }, {i , o}, u} c) {a , {e , i , o, u}}
b) Calcule la probabilidad de que al seleccionar aleato-
b) {{a , e }, {i , o},{u}} d) {a , e , i , {o, u}} riamente a un profesionista mexicano sea adminis-
1.26 Suponga que se lanzan cinco monedas no cargadas y ob- trador o conozca de finanzas.
servamos la cantidad de guilas que quedan hacia arriba. c) Calcule la probabilidad de que al seleccionar aleato-
Establezca los elementos del espacio muestral de este ex- riamente a un profesionista mexicano no sea admi-
perimento. nistrador, pero que s conozca de finanzas.
1.27 Sean A y B eventos mutuamente excluyentes, tales que 1.38 Dos ajedrecistas, I y II, tienen la misma capacidad y jue-
P ( A) = 0.3, P ( B c ) = 0.6. Calcule: gan el uno contra el otro una serie de 5 partidas. En cada

partida, no podr haber tablas, ya que en caso contrario, 1.45 Suponga que se lanzan dos monedas cargadas de for-
se jugarn a cinco minutos, hasta obtener un ganador de macontraria, es decir, considrese que la probabilidad de
la partida. Se registra el resultado de cada partida. Sea A que resulte guila en una moneda es 0.3, en dicho caso la
el evento de que el ajedrecista I gane la serie (gane al me- probabilidad de que resulte sol en la otra moneda ser
nos tres veces, en caso de que gane tres partidas la serie tambin 0.3. Observe las combinaciones de todos los re-
se termina), encuentre P(A). sultados posibles que pueden ocurrir con las dos mo
nedas.
Ejercicios complementarios con grado a) Establezca los puntos muestrales de este experimento.
de dificultad dos b) Asigne una probabilidad razonable a cada punto.
Son los puntos igualmente probables?
1.39 Los eventos A, B y C del espacio muestral S, son tales que
1.46 Suponga que se lanzan dos monedas cargadas de forma
A y B forman una particin de C, P(C ) = 0.2 y P(C) =
c
contraria es decir, considrese que la probabilidad de que
4P(A). Calcule P(A), P(B) y P(C).
resulte guila en una moneda es 0.3; en dicho caso la pro-
1.40 Si A y B son eventos diferentes definidos en el mismo es-
babilidad de que resulte sol en la otra moneda ser tam-
pacio muestral, y si P(A B) = 0.4 y P(A B ) = 0.1
c c
bin 0.3. Observe la cantidad de guilas que quedan
Determine P ( A B c )( A c B ) . hacia arriba.

1.41 Sean los eventos A, B y C en un mismo espacio mues- a) Establezca los puntos muestrales de este experimento.
tral,tales que A y B son mutuamente excluyentes, con b) Asigne una probabilidad razonable a cada punto. Son
c
P ( A B C ) = 0.1, P ( A C ) = 0.2, P ( B C ) = 0.1, los puntos igualmente probables?
c) Sea A el evento de observar exactamente una vez
P(C) = 0.6, calcule: P(A) y P(B) si guila y B el evento de observar al menos un guila.
a) P(A) = P(B). Obtenga los puntos muestrales de A y B.
b) P(A) = 2P(B). d) A partir de la respuesta en c), calcule P(A), P(B),
c) 2P(A) = P(B). P(A B) y P(Ac B).
1.42 Los eventos A, B y C del espacio muestral S, son tales que 1.47 Una constructora que trabaja para Casas ARPA ha calcu-
A y B son mutuamente excluyentes, P(A) + P(B) = 1, lado con datos histricos que cuando inicia dos casas al
P(C) = 0.3, P(A C) = 0.1 y P(B) = 4P(A). Calcule P(A) mismo tiempo, la probabilidad de que termine a tiempo
y P(B). ambas casas es 0.3, mientras que la probabilidad de que
1.43 Un experimento consiste en lanzar un dado no cargado termine a tiempo al menos una de las dos casas es de
una vez y, si sale un nmero mayor a 2 entonces se lan- 0.95. Cul es la probabilidad de que en estas condicio-
zauna moneda no cargada. Si el lanzamiento del dado es nes construya a tiempo exactamente una casa?
un nmero menor o igual a 2, entonces se lanza por lti- 1.48 El encargado de llevar a cabo la logstica de la red de dis-
ma vez el dado. Asigne probabilidades a los puntos mues tribucin de una empresa repartidora de refrescos en la
trales e indique, si son o no equiprobables. Ciudad de Mxico ha calculado que la probabilidad de
1.44 Hay cuatro billetes de 200 pesos cada uno, de igual aspec retrasos en su reparto de los das viernes y sbado tiene
to, dos de los cuales son falsos, y se va a pagar una cuenta los siguientes valores. La probabilidad de retrasarse exac-
con dos de esos billetes. La cuenta la cobra el encargado, tamente un da es de 0.3, mientras que la probabilidad de
eligiendo al mismo tiempo dos de los cuatro billetes al retrasarse al menos uno de los dos das es de 0.7. Cul es
azar. Encuentre la probabilidad de que el encargado elija la probabilidad de que en la siguiente semana se retrasen
al menos uno de los billetes falsos. en ambos das?
1.49 Supngase el problema anterior, pero en donde un repartidor que trabaja de lunes a viernes tiene dos causas por las que
puede retrasar sus repartos. Una es por el da y trfico de la semana, La otra causa se debe a manifestaciones que le ocasio-
nan retrasos de hasta una hora, entre una y dos horas y entre dos y tres horas. Las probabilidades se muestran en la tabla 1.2.
Tabla 1.2
Da de la semana
Manifestaciones Lunes Martes Mircoles Jueves Viernes
0-1 hora 0.04 0.05 0.10 0.10 0.20
1-2 horas 0.02 0.03 0.08 0.10 0.10
2-3 horas 0.00 0.01 0.05 0.08 0.04
a) Cul es probabilidad de que el trabajador se retrase una hora el mircoles?

b) Cul es la probabilidad de que el trabajador se retrase al menos una hora cada da?
c) Cul es la probabilidad de que el trabajador se retrase menos de una hora los primeros tres das de la semana?

Proyectos del captulo 1 29
1.50 El ingeniero de control de calidad de una fbrica de refri- 1.54 Sean A y B dos eventos tales que P(A) = 0.35 y P(B)
geradores tiene que revisar tres de seis refrigeradores en = 0.85, determine el rango de valores que puede tomar
donde hay dos defectuosos. P(A B) y las condiciones para sus valores mximos y
a) Cul es la probabilidad de que en los tres revisados mnimos.
estn los dos defectuosos? 1.55 Los eventos A, B y C del espacio muestral S, son tales
b) Cul es la probabilidad de que entre los tres revisa- que: A y B son mutuamente excluyentes P(B) = 0.4,
dos no exista ningn defectuoso? P ( A B C )c = 0.1 , P(A C) = 0.1 y P(A) = 3P(C).
Calcule P(A) y P(C).
Ejercicios complementarios con grado 1.56 Demuestre que para cualquiera de dos eventos A y B, la
de dificultad tres probabilidad que exactamente uno de los dos ocurra est
dada por la expresin P ( A) + P ( B ) 2 P ( A B ).
1.51 Sean los eventos A, B y C, tales que, S = A B C, 1.57 Sean A y B dos eventos, demuestre que Ac B y A Bc
c
P ( A B C ) = 0.9 , P(C) = 0.6, P(A B) = 0.15, son mutuamente excluyentes.

P(A C) = 0.2, P(B C) = 0.1, y P(A) = 2P(B). Calcule 1.58 Para cualesquier eventos A1, A2, , An, demuestre que
P(A) y P(B). n n
a) P Ai P ( Ai )
1.52 Los eventos A, B y C forman una particin del espa- i==
1 i 1
cio muestral S. En estas condiciones asigne subjetiva- n n
mente probabilidades adecuadas a los eventos y calcule b) P Ai P ( Ai )( n 1)
i== i 1
P ( A C )( A c B c ) . 1
1.53 Sean los eventos A, B y C correspondientes a un mismo n n

c) P Ai 1 P ( Aic ) .
espacio muestral, tales que B y C son mutuamente exclu- i==1
i 1
yentes y A y B tambin son mutuamente excluyentes: n n
P(A C) = 0.2, P ( A B C )c = 0.2 y P(A) = P(B) = 1 P Aic .
d) P Ai =
i==
1
i 1
2P(C). Calcule P(A), P(B) y P(C).
Proyectos del captulo 1

I. En un circuito serie como el mostrado en la figura 1.1 se mide la cada de voltaje en la resistencia con un voltmetro de alta pre-
cisin, durante intervalos de tres minutos, obteniendo las mediciones siguientes en volts.
119.95 119.98 120.37 119.50 119.74 118.03 120.04 119.37 121.07 120.08
120.54 119.89 119.49 118.99 120.99 119.57 121.68 118.35 120.17 118.84
118.38 119.21 118.98 120.65 119.27 118.51 121.22 118.95 120.29 120.72
119.46 119.69 120.92 120.73 119.96 118.41 120.14 120.65 120.31 120.44
121.25 119.47 121.09 119.74 121.95 120.17 120.40 120.60 119.13 119.26
121.33 120.58 120.27 121.38 120.80 118.84 120.45 120.31 120.48 119.05
Resuelva los siguientes incisos.
a)
Cul es la probabilidad de que la cada de voltaje en la resistencia sea mayor a 120.15 volts?
b) Cul es la probabilidad de que la cada de voltaje en la resistencia est fuera de los rangos especificados 120 0.25 para el
circuito? Defina cul sera el espacio muestral en este modelo.
c)
Cul ser la probabilidad de que la cada de voltaje en la resistencia sea mayor a 122 volts? Qu significa este resultado?
d)
Explique qu tipo de corriente utiliz en los incisos anteriores para asignar probabilidades y, por qu no utiliz a las otras
corrientes de probabilidad?
II. En la hoja Divorcios por entidad del archivo Datos de divorcios.xls que se encuentra en el CD-ROM, est una base de datos
extrada del INEGI de todos los divorcios registrados en la Repblica Mexicana para cada estado de 1985 a 2011. Con esta infor-
macin:

PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PDF

Uploaded by

Copyright:

Available Formats

Probabilidad

00 Probabilidad Preliminares.indd 1 6/26/14 8:12 PM

Direccin editorial: Javier Enrique Callejas

Probabilidad y estadstica. Aplicaciones a la ingeniera y las ciencias

Miembro de la Cmara Nacional de la Industrial Editorial Mexicana

Primera edicin: 2014

00 Probabilidad Preliminares.indd 2 6/26/14 8:12 PM

Olga Vladimirovna Panteleeva

Eduardo Gutirrez y Olga Vladimirovna

00 Probabilidad Preliminares.indd 3 6/26/14 8:12 PM

Palabras de los autores revisan algunas aplicaciones de los datos no agrupados a in

00 Probabilidad Preliminares.indd 4 6/26/14 8:12 PM

compuesta y compuesta contra compuesta, donde tratamos so- Toma de decisiones

00 Probabilidad Preliminares.indd 5 6/26/14 8:12 PM

00 Probabilidad Preliminares.indd 6 6/26/14 8:12 PM

captulo 1 Bases de la probabilidad. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1

captulo 2 Tcnicas de conteo y probabilidad. . . . . . . . . . . . . . . . . . . . . . . 31

00 Probabilidad Preliminares.indd 7 6/26/14 8:12 PM

captulo 3 Probabilidad condicional. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

captulo 4 Variables aleatorias discretas . . . . . . . . . . . . . . . . . . . . . . . . . . 95

captulo 5 Modelos discretos de probabilidad . . . . . . . . . . . . . . . . . . . . . . 123

00 Probabilidad Preliminares.indd 8 6/26/14 8:12 PM

5.2 Modelos de Bernoulli y binomial. . . . . . . . . . . . . . . . . . . . . . . . . . . 126

5.5 Modelo hipergeomtrico. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

captulo 6 Variables aleatorias continuas. . . . . . . . . . . . . . . . . . . . . . . . . . 165

captulo 7 Modelos continuos de probabilidad. . . . . . . . . . . . . . . . . . . . . . 189

00 Probabilidad Preliminares.indd 9 6/26/14 8:12 PM

Propiedades de la distribucin normal estndar. . . . . . . . . . . . . . . . . . . . . . . . 205

captulo 8 Variables aleatorias conjuntas y transformaciones. . . . . . . . . . . 241

00 Probabilidad Preliminares.indd 10 6/26/14 8:12 PM

8.5 Tcnica de jacobianos para transformar variables aleatorias. . . . . . 273

captulo 9 Estadstica descriptiva para datos no agrupados. . . . . . . . . . . . 287

captulo 10 Estadstica descriptiva para datos agrupados . . . . . . . . . . . . . . 333

00 Probabilidad Preliminares.indd 11 6/26/14 8:12 PM

Distribucin de frecuencias para variables cualitativas. . . . . . . . . . . . . . . . . . . 336

captulo 11 Distribuciones muestrales y teorema central del lmite . . . . . . . 377

00 Probabilidad Preliminares.indd 12 6/26/14 8:12 PM

Media y varianza de una diferencia de proporciones. . . . . . . . . . . . . . . . . . . 396

captulo 12 Estimacin puntual y por intervalos de confianza. . . . . . . . . . . . 423

00 Probabilidad Preliminares.indd 13 6/26/14 8:12 PM

Ejemplos variados para la estimacin de la media . . . . . . . . . . . . . . . . . . . . . 445

captulo 13 Metodologa para pruebas de hiptesis sobre los parmetros

00 Probabilidad Preliminares.indd 14 6/26/14 8:12 PM

13.3 Pruebas de hiptesis para comparar dos poblaciones

captulo 14 Regresin lineal simple y mltiple (vase en el CD-ROM)

00 Probabilidad Preliminares.indd 15 6/26/14 8:12 PM

01 Probabilidad C1.indd 1 6/26/14 3:21 PM

01 Probabilidad C1.indd 2 6/26/14 3:21 PM

1.1Modelos determinsticos y probabilsticos

A continuacin se presentan algunos ejemplos de modelos determinsticos.

Ejemplos 1.1 Modelos determinsticos

01 Probabilidad C1.indd 3 6/26/14 3:21 PM

Ejemplos 1.2 Modelos probabilsticos

01 Probabilidad C1.indd 4 6/26/14 3:21 PM

Ejemplos 1.3 Experimentos aleatorios

1. Lanzamiento de tres monedas hasta obtener dos guilas.

01 Probabilidad C1.indd 5 6/26/14 3:21 PM

Ejemplos 1.4 Experimentos determinsticos

Ejemplos 1.5 Espacios muestrales

01 Probabilidad C1.indd 6 6/26/14 3:21 PM

S = {{b, b}, {b, d }}.

Ejemplos 1.6 Eventos simples

Obtenga el evento indicado en los espacios muestrales de los ejemplos anteriores.

8.5 Tcnica de jacobianos para transformar variables aleatorias. . . . . . 273

1.1Modelos determinsticos y probabilsticos