Tema:

PROBABILIDAD
AT255

Antonio González Fragoso

Otoño 2008

Departamento de Actuaría, Física y Matemáticas

Universidad de las Américas, Puebla
Ex-hacienda Santa Catarina Martir s/n
San Andrés Cholula, Puebla
CP: 72820

email: antonio.gonzalez@udlap.mx
CAPÍTULO 1 INTRODUCCIÓN A LA PROBABILIDAD

En este primer capítulo, presentaremos los conceptos básicos y las propiedades más
elementales de probabilidad.

Empezamos con un repaso de la teoría de conjuntos, recordando las definiciones más

elementales, así como las propiedades más importantes. La teoría de conjuntos es parte
fundamental para la teoría de probabilidad.

En materia de probabilidad, se empieza explicando que es un fenómeno aleatorio y la

diferencia que hay con un fenómeno determinístico. Se presentan los conceptos de
espacio muestral, punto muestral y eventos, posterioremente se tratan los axiomas de
probabilidad (la definición de probabilidad). Se presentan y se demuestran las
propiedades más básicas de probabilidad.

Una vez quedando bien fundamentada la teoría de probabilidad, se le pone énfasis al

cálculo de probabilidades, repasando primero el análisis combinatorio, para después
aplicarlo al cálculo de probabilidades en ejemplos donde los espacios muestrales son
finitos y equiprobables.

Se define y se explica en forma intuitiva el concepto de probabilidad condicional,

deduciéndose posteriormente, a paritr de ésta, la regla de multiplicación de
probabilidades. Se expone y se demuestra la propiedad de probabilidad total,
considerando algunos ejemplos importantes y, a partir de esta última se presenta y se
comprueba el Teorema de Bayes, explicando la gran importancia que este último ha
tenido en la inferencia estadística Bayesiana. Se presenta la definición de independencia
de eventos, se explica y se ilustra con varios ejemplos. Se deja claro, porqué este
concepto es muy importante en la inferencia estadística.

Finalmente, se presenta una serie de ejercicios resueltos, tanto prácticos como teóricos,
con diferentes grados de dificultad, con la intención de repasar los conceptos vistos en
las secciones de este capítulo.

1.1 TEORÍA DE CONJUNTOS

En esta primera sección serán presentados los conceptos y las propiedades más
importantes en lo que se refiere a materia de conjuntos. Esta herramienta es de suma
importancia para la teoría de probabilidad. Se sugiere que el alumno domine este tema,
tanto en forma práctica como en forma teórica, antes de comenzar en materia de
probabilidad.

Definición 1 Un conjunto es una colección de objetos, donde cada uno de estos es

llamado elemento.

Sugerimos la siguiente notación:

A, B, C, … , X, Y, Z denotarán conjuntos.

2
a, b, c, … , x, y, z denotarán elementos.

a ∈ A denota a pertenenece a A.

a ∉ A denota a no pertenenece A.

Ω = Conjunto Universal = el conjunto que contiene a todos los elementos.

φ = Conjunto Vacio = el conjunto que no tiene elementos.

Definición 2 Si cada elemento de A también está en B, se dice que A es subconjunto de

B y se denota como A ⊂ B.

Ω
B
A

Definición 3 Dos conjuntos son iguales si A ⊂ B y B ⊂ A y se denota como A = B.

Definición 4 El complemento del conjunto A se define como el conjunto que tiene

como elementos a todos aquellos que están Ω y que no están en A. Este conjunto se
denota como Ac , A o A´, esto es, Ac = A = A´= {x ∈ Ω | x ∉ A }.

Ω
A
c
A

Definición 5 Una colección o familia de conjuntos es un conjunto donde los

elementos son conjuntos. Las familias o colecciones se denotan con las letras A,B,… ,
Z.

Definición 6 El conjunto potencia de un conjunto universal Ω, se define como el

conjunto que tiene como elementos a todos los subconjuntos de Ω. Este se denota como
P(Ω).

Ejemplo 1: Supongamos el siguiente conjunto universal Ω = {1,2,3} , una colección de

conjuntos puede ser
A = {φ , {1}, {2}, Ω} .

En este caso el conjunto potencia es

P(Ω) = {φ , {1}, {2}, {3}, {1,2}, {1,3}, {2,3}, Ω}.

3
Las siguientes definiciones tienen que ver con las operaciones de conjuntos.

Definición 7 La unión de dos conjuntos A y B, es el conjunto formado por todos los

elementos que están en A o que están en B. Esta operación es denotada como A ∪ B.
Esto es

A ∪ B = {x ∈ Ω | x ∈ A o x ∈ B }.

Observación: El “o”, en este caso, es en un sentido inclusivo. Esto es, el “o” considera
también la ocurrencia de ambas situaciones.

Es posible generalizar esta definición para un número finito e incluso infinito de

conjuntos:

U A = {x ∈ Ω | x ∈ A
i =1
i i para alguna i ∈ {1,2, L , n} }.

En diagrama de Venn la unión de A y B se representa como la parte sombreada:

Ω
A B

Definición 8 La intersección de dos conjuntos A y B es el conjunto que consta de

todos los elementos que están en A y que están en B. Este conjunto es denotado como
A ∩ B . Esto es,

A ∩ B = {x ∈ Ω | x ∈ A y x ∈ B }.

Esta operación se puede generalizar para un número finito o infinito de conjuntos

n

I A = {x ∈ Ω | x ∈ A
i =1
i i para toda i ∈ {1,2, L , n} }.

En diagrama de Venn, la intersección se representa como la parte sombreada:

Ω
A B

Definición 9 La diferencia del conjunto A menos el conjunto B es el conjunto

formado por todos los elementos que pertenecen a A pero que no pertenecen a B. Este
conjunto se denota como A - B. Esto es,

4
A - B = {x ∈ Ω | x ∈ A y x ∉ B }.

En diagramas de Venn se representa como la parte sombreada:

Ω
A B

Definición 10 Se dice que dos conjuntos A y B son mutuamente disjuntos, excluyentes

o ajenos si A ∩ B= φ .

En otras palabras, dos conjuntos son ajenos, si no existen elementos en común entre
ambos conjuntos.

En diagramas de Venn, dos conjuntos son ajenos si:

Ω
A B

A continuación se presentarán las propiedades de conjuntos más importantes

Propiedades Conmutativas

A ∪ B =B ∪ A,

A ∩ B =B ∩ A.

Propiedades Asociativas

A ∪ (B ∪ C) =( A ∪ B) ∪ C,

A ∩ ( B ∩ C) =(A ∩ B) ∩ C.

Propiedades Distributivas

A ∩ (B ∪ C) =(A ∩ B) ∪ (A ∩ C),

A ∪ (B ∩ C) =(A ∪ B) ∩ (A ∪ C),

⎛ n ⎞ n
A ∩ ⎜⎜ U Ai ⎟⎟ = U ( A ∩ Ai ) ,
⎝ i =1 ⎠ i =1

5
 ⎛ n ⎞ n
A ∪ ⎜⎜ I Ai ⎟⎟ = I ( A ∪ Ai ) .
⎝ i =1 ⎠ i =1

Leyes de De Morgan

(A ∪ B) c = A c ∩ B c ,

(A ∩ B) c = A c ∪ B c ,

c
⎛ n ⎞ n
⎜⎜ U Ai ⎟⎟ = I Aic ,
⎝ i =1 ⎠ i =1

c
⎛ n ⎞ n
⎜⎜ I Ai ⎟⎟ = U Aic .
⎝ i =1 ⎠ i =1

Otras propiedades

((A)c)c = A,

A ∩ A = A,

A ∪ A = A,

A ∪ φ = A,

A∩ φ = φ ,

A∩ A c = φ ,

A ∪ Ω = Ω,

A ∪ A c = Ω,

A - B = A∩ B c ,

A ∪ (B ∩ A c ) = A ∪ B,

(A ∩ B) ∪ (B ∩ A c ) = B,

(A ∩ B) ∩ ( B c ∩ C) = φ ,

A⊂B ⇒B c ⊂A c ,

A ⊂ B y B ⊂ C ⇒ A ⊂ C,

A ⊂ B ⇒ A ∪ B = B y A ∩ B = A,

6
A ⊂ B ⇒ A ∪ C ⊂ B ∪ C,

A ∩ B =φ y C ⊂ A ⇒ B ∩ C =φ .

1.2 FENÓMENOS ALEATORIOS

En esta sección serán explicados que son los fenómenos determinísticos o no aleatorios.
Se darán algunos ejemplos clásicos, los cuales son estudiados en la Física.
Posteriormente se explicarán cuales son los fenómenos aleatorios o no determinísticos,
los cuales son tratados en la teoría de probabilidad.

Los fenómenos encontrados en esta vida, pueden clasificarse en:

a) No aleatorios o determinísticos,
b) Aleatorios.

Definición 11 Si un fenómeno se realiza varias veces en forma idéntica (bajo las

mismas condiciones) y siempre arroja el mismo resultado, entonces se dice que es un
fenómeno determinístico.

En la Física existen varios ejemplos determinísticos.

Ejemplo 3: Una pelota que inicalmente esta en reposo, es lanzada de una altura de h
2h
metros a través de un cilindro vacio. La pelota caerá en el momento t = , donde g
g
es la constante de aceleración debido a la gravedad. Conociendo la altura, es posible
determinar el tiempo.

Ejemplo 4: La velocidad de un cuerpo puede determinarse, bajo ciertas condiciones, si

d
se conocen la distancia y el tiempo. Esto es, v =
t
En Física son tratados varios fenómenos determinísticos, como los que se acaban de
exponer.

Definición 12 Si los resultados de un fenómeno que se realiza en forma idéntica (bajo

las mismas condiciones), no son siempre iguales, entonces el fenómeno es aleatorio.

Ejemplo 5: Sin haberse realizado el fenómeno y por más conocimientos que se tengan
de otras variables, no es posible determinar

El resultado de una moneda al ser lanzada.

El resultado de una carta al ser sacada aleatoriamnete de la baraja.
El número ganador en una rifa.
La vida (duración) de un componente electrónico.
El número o proporción de artículos defectuosos obtenidos de un lote específico
de artículos.
La cantidad de lluvia que cae en un día determinado en el que llueve.

7
 La tasa de inflación para el próximo mes.
Las características de un ser antes de nacer.
El número de muertos de un grupo de personas aseguradas en un período dado.
El número de personas que llegan a edad de 65 de un grupo de asegurados.
El número de accidentes automovilísticos en cierta ciudad y en un período dado.
El tiempo que hay entre accidente y accidente automovilístico.
El número de asegurados que requerirán hospitalización.
El tiempo de hospitalización.
Los gastos de honorarios médicos por cada paciente asegurado.
El número de personas que contraen cancer por fumar.
El número de asegurados que realizan actividades riesgosas y sufren un
accidente.
El número de reclamaciones que le hacen a una compañía de seguros en un
período dado.
El total de dinero reclamado en cierto período de tiempo.

La teoría de la probabilidad busca modelos matemáticos para estudiar los fenómenos

aleatorios, no para determinar resultados de alguna o de algunas de las variables, sino
para determinar las posibilidades (probabilidades) de cada uno de los resultados
posibles.

Observación: Los resultados de un experimento determinístico, cuando este se realiza

en forma idéntica y bajo las mismas condiciones, puede variar debido al error del
experimentador. Es importante, estar atentar a este tipo de circuntancias y no
confundirlo con un fenómeno aleatorio.

1.3 ESPACIO MUESTRAL Y EVENTOS

Es importante aclarar que los experimentos tratados en estas notas, siempre son
considerados como experimentos aleatorios. Esto es, experimentos donde se derive uno
o más fenómenos aleatorios. Las definiciones de espacio muestral y eventos son
importantes, en todo experimento aleatorio.

Definición 13 El conjunto de todos los resultados posibles en un experimento es

llamado espacio muestral y es denotado como Ω. Los elementos del espacio muestral
Ω son llamados puntos muestrales.

Definición 14 Un subconjunto del espacio muestral es llamado evento o suceso. Un

evento que consiste de un solo punto es llamado evento simple. Los eventos son
denotados por las letras mayusculas A, B,…, X, Y, Z.

Ejemplo 10: Se lanza un tetraedro.

El espacio muestral en este caso es Ω = {1, 2, 3, 4}.

Los puntos muestrales son 1, 2, 3, 4.

Algunos eventos son {1}, {2}, {2,3,4}, {2,4}.

8
Los eventos simples son {1}, {2}, {3}, {4}.

Ejemplo 11: Se arrojan tres monedas al aire.

El espacio muestral esta dado por

Ω = {SSS, SSA, ASS, SAS, AAS, SAA, ASA, AAA}, donde A significa águila y S
significa sol.

Un posible evento es: A = {un águila} = {SSA, ASS, SAS}.

Otro evento puede ser: B = {por lo menos un águila} = A ∪ {AAS, SAA, ASA, AAA}
= Ω -{SSS}.

Ejemplo 12: Se observa el tiempo de duración de cierto tipo de focos.

En este caso el espacio muestral es Ω= {x ∈ ℜ x ≥ 0}.

Un evento posible es A = [a, b], donde 0 < a < b.

En este ejemplo el espacio de eventos no es el conjunto potencia. Para estudiar el

espacio de eventos, en este tipo de fenómenos, es necesario ampliar la teoría de
conjuntos, en particular se deben de estudiar los conjuntos de Borel. Estos últimos se
estudian en un curso de probabilidad más avanzado.

Ejemplo 13: Se tienen 6 fichas numeradas del 1 al 6. Se escogen dos de ellas

aleatoriamente sin sustitución.

El espacio muestral en este caso es

Ω = {(1,2), (1,3), (1,4), (1,5), (1,6), (2,1), (2,3), (2,4), (2,5), (2,6),…,(6,1), (6,2), (6,3),
(6,4), (6,5)}.

Un evento posible es A = {resulte la ficha con el número 1}. En este caso, A={(1,2),
(1,3), (1,4), (1,5), (1,6), (2,1), (3,1), (4,1), (5,1), (6,1)}. Otro evento B = {que resulte la
suma de ambos resultados par} = {(1,3), (3,1), (1,5), (5,1), (2,4), (4,2), (2,6), (6,2),
(3,5), (5,3), (4,6), (6,4)}.

1.4 AXIOMAS DE PROBABILIDAD

A continuación daremos la definición formal de probabilidad, también conocida como

los axiomas de probabilidad.

Definición 15 Sea Ω el espacio muestral asociado a un experimento, la función

denotada como P[] ⋅ y, que es definida sobre el espacio de eventos A, con valores
reales, la cual cumple los siguientes tres axiomas

9
 i) P[A] ≥ 0 para todo A que pertenece a A.

ii) P[Ω] = 1.

⎡n ⎤ n
iii) P ⎢U Ai ⎥ = ∑ P[A ] donde
i A1 , A2 , …, An son eventos mutuamente ajenos,
⎣ i=1 ⎦ i =1

es conocida como función de probabilidad o simplemente probabilidad.

Es importante aclarar que la definición de probabilidad, en ningún momento nos indica

como calcular una probabilidad. Existen varias metodologías para calcular una
probabilidad y, cada una de ellas deberá de cumplir con los axiomas de probabilidad.

1.5 PROPIEDADES DE PROBABILIDAD

A partir de los axiomas de probabilidad, es posible demostrar las propiedades más

importantes en la teoría de probabilidad. En cada una de estas propiedades se supone
que existen un espacio muestral Ω y una probabilidad P[]⋅ bien definidas, las cuales
están asociados a un experimento.

Teorema 1 P[φ ] = 0

Teorema 2 Sea A cualquier evento, entonces P[A] = 1- P Ac . [ ]

Demostración:

Se sabe que P[Ω] =1 (por segundo axioma).

[
De esta manera 1= P[Ω] = P A ∪ Ac = P[A] + P Ac] [ ] (por el tercer axioma).

Por lo tanto P[A] = 1- P Ac . [ ] ■

Teorema 3 [ ]
Sean A y B dos eventos, entonces P A ∩ B c = P[A] - P[ A ∩ B ] .

Demostración:

Obsérvese que el evento A se puede expresar como ( A ∩ B ) ∪ (A ∩ B c ), donde

(
(A ∩ B) ∩ A ∩ Bc = φ .)
De esta manera P[A] = P[ A ∩ B ] + P A ∩ B c [ ]
[ ]
De donde P A ∩ B c = P[A] - P[A ∩ B ] ■

[ ] [
Es importante aclarar que P A ∩ B c = P A − B c . ]

10
Teorema 4 Sean A y B dos eventos, entonces P[A ∪ B ] = P[A] + P[B ] - P[A ∩ B ] .

Demostración:

El evento A ∪ B puede expresarse como B ∪ ( A ∩ B c ) , donde B y A ∩ B c son

mutuamente excluyentes.

Por lo que P[ A ∪ B ] = P[B ] + P A ∩ B c . [ ]

[ ]
Usando el teorema anterior P[ A ∪ B ] = P[B ] + P A ∩ B c = P[B ] + P[A] - P[ A ∩ B ] .
■

Corolario 1 Sean A, B y C eventos cualesquiera, entonces

P[A ∪ B ∪ C ] = P[A] + P[B ] + P[C ] - P[A ∩ B ] - P[A ∩ C ] - P[B ∩ C ] + P[A ∩ B ∩ C ] .

Corolario 2 Sean A1 , A2 , … , An eventos cualesquiera, entonces

⎡n ⎤
P ⎢U Ai ⎥ =
⎣ i=1 ⎦

∑ P[A ] - ∑ P[A ∩ A ] + ∑ P[A ∩ A ]

n

i i j i j ∩ Ak - … + (−1) n +1 P[ A1 ∩ A2 ∩ ... ∩ An ] .
i =1 i< j i< j<k

Teorema 6 Sean A y B eventos tales que A ⊂ B entonces P[A] ≤ P[B ] .

Demostración:

Como A ⊂ B , entonces B = A ∪ (B ∩ Ac ), donde A ∩ (B ∩ Ac ) = φ .

Por lo tanto P[B ] = P[A] + P B ∩ Ac . [ ]

Esto es, P[B ] - P[A] = P B ∩ Ac .[ ]
[
Por el primer axioma P B ∩ Ac ≥ 0. ]
Esto es, P[B ] - P[A] ≥ 0.

De esta manera P[A] ≤ P[B ] . ■

Corolario 3 Sea A cualquier evento, entonces P[A] ≤ 1.

11
Demostración:

A ⊂ Ω ⇒ P[A] ≤ P[Ω] (por el teorema anterior).

Por lo tanto P[A] ≤ 1. ■

Observación: Tampoco los teoremas y corolarios anteriores, nos indican, el cómo se

calcula la probabilidad de un evento. El cálculo de probabilidades, como ya se
mencionó, es un tema que se estudiará más adelante y, más bien, cualquier probabilidad
considerada más adelante, está debera de cumplir tanto los axiomas de probabilidad,
como las propiedades ya tratadas.

1.6 ESPACIOS MUESTRALES FINITOS Y EQUIPROBABLES

Hasta este momento no se ha tratado el cálculo de probabilidad de un evento. Es

importante aclarar que este no es posible hacerlo en una forma general. El cálculo de
probabilidad de un suceso depende de la situación, del mismo experimento.

A continuación se analizará el cálculo de probabilidades en forma general, para

experimentos donde los espacios muestrales son finitos y equiprobables, entendiendo
como un espacio muestral equiprobable aquel donde cada evento simple que compone
el espacio muestral, tienen la misma posibilidad de ocurrir.

Supongamos que el espacio muestral Ω asociado a un experimento es finito, entonces

los elementos del espacio muestral los podemos enlistar, es decir si el número de puntos
muestrales del espacio muestral son n, entonces Ω = {a1 , a2 ,..., an } .

Bajo este supuesto le asignaremos a cada evento simple una probabilidad, esto es, sea pi
la probabilidad asignada a {ai }, i ∈ {1,2,..., n}. Por lo tanto se deberá de cumplir

i) pi ≥ 0 para toda i ∈ {1,2,..., n},

ii) p1 + p2 +…+ pn =1.

Definimos al evento A como:

{ }
A = a1´ , a2´ ,..., ak´ .

Entonces podemos expresar a A de la siguiente forma:

{} { }
A = a1´ ∪ a2´ ∪ L ∪ a´k . { }
De esta manera

[{ } { }
P[A] = P a1´ ∪ a2´ ∪ L ∪ ak´ { }] = P[{a }] + P[{a }] +…+ P[{a }] =
´
1
´
k
´
k

p1´ + p2´ +…+ pk´ .

12
Obsérvese que si se conoce cada valor de pi, para i ∈ {1,2,..., n}, entonces conoceremos
la probabilidad del evento A.

Ahora, si además suponemos que el espacio muestral Ω es equiprobable, podemos

afirmar que

p1 = p2 =…= pn.

Como p1 + p2 +…+ pn = 1, entonces tenemos npi = 1, para i ∈ {1,2,..., n}.

1
Por lo tanto pi= , para i ∈ {1,2,..., n}.
n

De esta manera

1 1
P[A] =
k
+L+ = .
n 4243
1 n n
k veces

Observación: Esta fórmula es la correspondiente a la definción clásica de probabilidad y

es usada para aquellos fenómenos donde se cumplen los dos supuestos anteriores. Si
alguno de los dos supuestos no se cumple, esta fórmula se estará aplicando en forma
incorrecta.

Ejemplo 15: En el lanzamiento de un dado, la probabilidad de que resulte un número par

3 1
es = .
6 2

Ejemplo 16: En el lanzamiento de dos dados, la probabilidad de que resulte un total de

3 1
diez es = .
36 12
6 1
La probabilidad de que uno de los dados sea el doble del otro dado es = .
36 6

Ejemplo 17: En una urna hay cuatro bolas numeradas de la 1 a la 4. Se seleccionan dos
1
bolas aleatoriamente. La probabilidad de que resulten la primera y la cuarta bola es: .
6

Y si fueran 5 bolas en lugar de 4, el denominador cambia a 10.

Y si fueran 10 bolas, el denominador cambia a 45.

Y si se sacaran 5 bolas de 20, y nos interesamos por 5 bolas específicas, el denominador

cambia a 15504.

Observación: Contar el número de resultados posibles en un experimento y el número

de resultados a favor de algún evento, no siempre es un problema fácil. En ocasiones, es

13
necesario apoyarse del análisis combinatorio o técnicas de conteo. A continuación se
estudiarán estas metodologías de apoyo para el conteo.

1.7 ANÁLISIS COMBINATORIO

El análisis combinatorio o técnicas de conteo, se apoya basicamente en el principo

fundamental de conteo. El principio fundamental de conteo consiste en dos reglas
básicas: la regla de multiplicación y la regla de adición.

Regla Básica de Multiplicación

Supongamos que existen k procedimientos, donde el número de maneras en que se

puede realizar el procedimiento i es ni , i = 1,..., k . Además el procedimiento i se puede
realizar en cualquiera de sus maneras después de haberse realizado el procedimiento i-1
no importando en que manera se llevó a cabo este último. Entonces el proceso que
consiste en realizar el procedimiento 1 y después el procedimiento 2 y después el 3, …,
y después el procedimiento k, se puede efectuar de n1n2 L nk formas diferentes.

Ejemplo 18: Una tarea consta de 5 ejercicios. El primer ejercicio se puede hacer de 3
formas, el segundo de 2, el tercero de 1, el cuarto de 6 maneras y el quinto de 2
maneras. ¿De cuántas formas diferentes se puede hacer la tarea?

(3)(2)(1)(6)(2) = 72 formas diferentes.

Se pueden encontrar más ejemplos de estos en Ross. S. (2001) (A first course in

probability), entre otros.

Regla Básica de Adición

Supongamos que existen k procedimientos. El número de maneras diferentes en que se

puede realizar el procedimiento i es ni , i = 1,..., k . Además, los procedimientos no se
pueden realizar simultaneamente. Entonces, el proceso que consiste en realizar el
procedimiento 1 o el procedimiento 2 o … o el procedimiento k, se puede efectuar de
n1 + n 2 + L + nk maneras diferentes.

Ejemplo 19: Supongamos que existen 2 maneras diferentes de comer en casa, 5 en la

universidad, 3 formas en cierto restaurante y 1 en el mercado. ¿De cuántas maneras
diferentes se puede comer en un día dado?

De 2+5+3+1=11 maneras diferentes.

Observación: En la regla de multiplicación está involucrada la letra “y”, y en la de

adición, la letra “o”, en un sentido exclusivo. Es fundamental, en el problema que se
pretenda resolver, distinguir de que caso se trata, de un problema que considera a la“y”
o de un problema que considera a la “o”.

A continuación se verán las técnicas más importantes de conteo, las cuales se dividen
en permutaciones y combinaciones. Estan se basan en los dos principios básicos de
conteo, acabados de exponer.

14
Permutaciones

Una permutación u ordenación de un conjunto es un arreglo hecho por los elementos o

por algunos de los elementos del conjunto.

Ejemplo 20: Sea A = {a, b, c, d}.

Algunas permutaciones son: abcd, bcd, ad, aabb, aabcc.

En las tres primeras no existe repetición de elementos, y en las dos últimas si se permite
la repetición de elementos.

Las permutaciones u ordenaciones de un conjunto se clasifican:

- Sin repetición.
- Con repetición.

A continuación se tratarán el cálculo de permutaciones para cada caso.

Permutaciones sin repetición

El número de maneras de ordenar a r elementos diferentes de un conjunto de n

elementos, r ≤ n es:

Prn = n(n-1)...(n-(r-1)).

Ejemplo 21: ¿De cuántas maneras diferentes se pueden ordenar los elementos del
conjunto {a, b, c}?

La respuesta es: 3(2)(1)=6.

Las ordenaciones son: {abc, acb, bac, bca, cab, cba}.

Ejemplo 22: El número de arreglos de tamaño dos del conjunto {a, b, c, d} es igual a:

P24 = 4(3) = 12 .

Los arreglos son: {ab, ac, ad, ba, ca, da, bc, cb, bd, db, cd, dc}.

n!
Obsérvese que Prn =
(n − r )!

4! 4!
En este último ejemplo P24 = = = 12.
(4 − 2)! 2!

Ejemplo 23: ¿Cuántas placas diferentes se pueden formar de 3 letras diferentes y 2

dígitos diferentes, si las letras van primero y pueden ser de la A a la C y los dígitos
pueden ser el 1 o 2?

15
La respuesta es: 3(2)(1) × (2)(1)=6 × 2=12.

Las placas son: ABC12, ACB12, BAC12, BCA12, CAB12, CBA12, ABC21, ACB21,
BAC21, BCA21, CAB21, CBA21.

Ejemplo 24: ¿Cuántas placas diferentes se pueden formar de 3 letras diferentes y 3

dígitos diferentes, si las letras van primero y pueden ser escogidas de la A a la E?

La respuesta es: 5(4)(3) × (10)(9)(8)=43,200 placas diferentes.

Observación: si r = n entonces Pnn = n! .

Permutaciones con repetición

El número de permutaciones de r elementos cada una, donde los elementos se toman de

un conjunto de n elementos y se permite la repetición de los elementos es:

n1×42
n ×L
4 43
4× n = nr
r veces

Ejemplo 25: El número de permutaciones de tamaño 2 permitiendo la repeticón, del

conjunto A = {a, b, c} es 32 = 9.

Estas son: {aa, ab, ac, ba, ca, bc, cb, bb, cc}.

Ejemplo 26: ¿Cuántas placas diferentes se pueden formar de 3 letras y 3 cifras si las
letras van primero y solamente pueden ser de la A a la E? ¿Cuántas si no se permite que
resulte el 000?

5(5)(5) × (10)(10)(10)= 125,000 placas diferentes.

5(5)(5) × 1(1)(1)= 125 placas diferentes que terminan en 000.

Por lo tanto son 125,000 - 125= 124,875 placas diferentes que no terminan en 000.

Combinaciones

Una combinación es un subconjunto de un conjunto.

El objetivo es contar el número de combinaciones diferentes de cierto tamaño que

pueden formarse de un determinado conjunto.

Ejemplo 30: Sea A = {a, b, c, d } . A continuación enlistaremos las permutaciones

diferentes de tamaño dos (a la izquierda) y las combinaciones de tamaño dos diferentes
(a la derecha):

ab, ba → {a, b}

16
 ac, ca → {a, c}
ad , da → {a, d }
bc, cb → {b, c}
bd , db → {b, d }
cd , dc → {c, d }

Observemos que el número de permutaciones es: P24 = 4(3)=12.

⎛ 4⎞ P4
Y el número de combinaciones es: C24 = ⎜⎜ ⎟⎟ = 2 = 6.
⎝ 2 ⎠ 2!

Esto es, por cada combinación pueden formarse 2! permutaciones.

Ejemplo 31: Considerando el mismo conjunto que el ejemplo anterior, se consideran las
permutaciones de tamaño tres (a la izquierda) y las combinaciones de tamaño tres (a la
derecha)

abc, acb, bac, bca, cab, cba → {a, b, c}

abd , adb, bad , bda, dab, dba → {a, b, d }
acd , adc, cad , cda, dac, dca → {a, c, d }
bcd , bdc, cbd , cdb, dbc, dcb → {b, c, d }

El número de permutaciones en este caso es: P34 =4(3)2= 24.

⎛ 4⎞ P4
El número de combinaciones es: ⎜⎜ ⎟⎟ = 3 = 4.
⎝ 3 ⎠ 3!

En este caso por cada 3! permutaciones existe una combinación.

En términos generales, el número de combinaciones de tamaño r de un conjunto de n

elementos se calcula como:
⎛ n⎞ Pn n!
Crn = ⎜⎜ ⎟⎟ = r = .
⎝ r ⎠ r! r!(n − r )!

La interpretación general es: por cada r! permutaciones (mismos elementos), existe una
combinación.
⎛n⎞
Los números ⎜⎜ ⎟⎟ también se conocen como números combinatorios.
⎝k ⎠
Regresando al último ejemplo de las bolas de la sección anterior (Espacios muestrales
finitos y equiprobables), las probabilidades buscadas son respectivamente

1 1 1 1 1 1 1 1
= ; = ; = ; = .
⎛ 4⎞ 6 ⎛ 5 ⎞ 10 ⎛10 ⎞ 45 ⎛ 20 ⎞ 15504
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝ 2⎠ ⎝ 2⎠ ⎝2⎠ ⎝5⎠

17
A continuación se presentarán las propiedades de combinaciones

⎛n⎞ ⎛n⎞
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = 1 ,
⎝0⎠ ⎝n⎠

⎛n⎞ ⎛ n ⎞
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = n ,
⎝1⎠ ⎝ n − 1⎠

⎛ n ⎞ ⎛ n ⎞ n(n − 1)
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = ,
⎝ 2⎠ ⎝ n − 2⎠ 2

⎛n⎞ ⎛ n ⎞
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ .
⎝k ⎠ ⎝n − k ⎠

Los números combinatorios también aparecen en el famoso Teorema del Binomio

n
⎛n⎞
(a + b) n = ∑ ⎜⎜ ⎟⎟a i b n−i .
i =0 ⎝ i ⎠

Ejemplo 32: En una urna se tienen 15 bolas numeradas, del 1 al 15. Se sacan 5 en forma
aleatoria, calcular la probabilidad de que las bolas obtenidas sean entre las 10 primeras.
⎛10 ⎞⎛ 5 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
⎝ 5 ⎠⎝ 0 ⎠ = 0.08392 .
⎛15 ⎞
⎜⎜ ⎟⎟
⎝5⎠

Ejemplo 33: ¿Cuántas subconjuntos de diferente tamaño se pueden formar de un

conjunto con n elementos?
⎛n⎞
El número de subconjuntos con cero elementos es ⎜⎜ ⎟⎟ ; el número de subconjuntos de
⎝0⎠
⎛n⎞ ⎛ n ⎞
un elemento es ⎜⎜ ⎟⎟ ; …, el número de subconjuntos con n-1 elementos es ⎜⎜ ⎟⎟ , y el
⎝1⎠ ⎝ n − 1⎠
⎛n⎞
número de subconjuntos con n elementos es ⎜⎜ ⎟⎟ .
⎝n⎠
Por lo tanto, el número de subconjuntos de todos los tamaños es:

⎛n⎞ ⎛n⎞ ⎛ n ⎞ ⎛n⎞

⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ +…+ ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ .
⎝0⎠ ⎝1⎠ ⎝ n − 1⎠ ⎝ n ⎠
Aplicando el Teorema del Binomio

⎛n⎞ ⎛n⎞ ⎛ n ⎞ ⎛n⎞ n

⎛ n ⎞ n ⎛ n ⎞ i n −i
⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ +…+ ⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟ = ∑ ⎜⎜ ⎟⎟ = ∑ ⎜⎜ ⎟⎟1 1 = (1+ 1) = 2 n .
n

⎝0⎠ ⎝1⎠ ⎝ n − 1⎠ ⎝ n ⎠ i =0 ⎝ i ⎠ i =0 ⎝ i ⎠

18
A continuación se realizaran diversos ejemplos de permutaciones y combinaciones.

Ejemplo 34:

a) ¿Cuántos números de tres cifras pueden formarse con los dígitos 0, 1, 2, 3, 4, 5, 6, si

cada cifra solo se puede usar una vez?
b) ¿Cuántos de ellos son pares?
c) ¿Cuántos de ellos son mayores que 440?

a) 6 × 6 × 5 = 180 (la primera cifra no puede ser 0).

b) Dos casos:

Si termina en cero, el número de números es, 6 × 5 × 1 =30.

−
0

Y si terrmina en 2, 4 o 6, existen 5 × 5 × 3 =75 números.

−
2, 4,6

Por lo tanto existen 30 +75 = 105 números pares.

c) Dos casos:

Si comienza en 4, el número de número es, 1× 2 × 5 =10.

− −
4 5, 6

Si comienza en 5 o 6, existen 2 × 6 × 5 = 60 números.

−
5, 6

Por lo tanto, existen 10+60 = 70 números mayores a 440.

Se deja al estudiante contestar las mismas preguntas, pero considerando que se permite
la repetición de los dígitos.

Ejemplo 35: Un estudiante tiene que contestar 12 preguntas de 15 en un examen. Si

contesta las preguntas en forma aleatoria.

a) ¿Cuál es la probabilidad de que conteste las 5 primeras preguntas?

b) ¿Cuál es la probabilidad de que conteste por lo menos 4 preguntas de las últimas
cinco?
c) ¿Cuál es la probabilidad de que conteste a lo más 4 de las 5 preguntas intermedias (de
la 6 a la 10)?

⎛ 5 ⎞⎛10 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
5 7 120
a) ⎝ ⎠⎝ ⎠ = = 0.2637.
⎛15 ⎞ 455
⎜⎜ ⎟⎟
⎝12 ⎠

19
 ⎛ 5 ⎞⎛10 ⎞ ⎛ 5 ⎞⎛10 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟⎜⎜ ⎟⎟
4 8 5 7
b) ⎝ ⎠⎝ ⎠ + ⎝ ⎠⎝ ⎠ = 0.4945 + 0.2637 = 0.7582.
⎛15 ⎞ ⎛15 ⎞
⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟
⎝12 ⎠ ⎝12 ⎠

⎛ 5 ⎞⎛10 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
5 7 120
c) 1 − ⎝ ⎠⎝ ⎠ = 1 − = 1 − 0.2637 = 0.7363.
⎛ 15 ⎞ 455
⎜⎜ ⎟⎟
⎝12 ⎠

Ejemplo 36: Se quieren formar aleatoriamente a 3 niñas y 2 niños.

a) ¿Cuál es la probabilidad de que resulten intercambiados los niños con las niñas?
b) ¿Cuál es la probabilidad de que resulten los niños juntos?
c) ¿Cuál es la probabilidad de que resulten los niños juntos y las niñas juntas?
d) ¿Cuál es la probabilidad de que Rosa y Pepe no queden juntos?

El número de maneras diferentes de formar a los 5 niños es: 5 × 4 × 3 × 2 × 1 = 120 .

a) El número de maneras que resultan niños y niñas intercambiados es:

3× 2× 2× 1× 1 =12.
− − − − −
A O A O A

12
Por lo tanto P[intercambiados] = =0.1.
120

b) El número de maneras que resultan los niños juntos se calcula de la siguiente manera:

2× 1× 3× 2× 1 =12,
− − − − −
O O A A A

3× 2× 1× 2× 1 =12,
− − − − −
A O O A A

3× 2× 2× 1× 1 =12,
− − − − −
A A O O A

3× 2× 1× 2× 1 =12.
− − − − −
A A A O O

Por lo tanto existen 48 formas diferentes de sentarlos con la condición de que los niños
esten juntos, y de esta manera,

48
P[niños juntos ] = =0.4.
120

c) El número de maneras diferentes de sentar a los niños juntos y a las niñas juntas es:

20
2× 1× 3× 2× 1 =12,
− − − − −
O O A A A

3× 2× 1× 2× 1 =12.
− − − − −
A A A O O

Esto es, existen 24 maneras diferentes y por lo tanto:

24
P[niños juntos y niñas juntas] = = 0.2.
120

Ejemplo 37: Una delegación de 4 estudiantes de un colegio, es seleccionada todos los

años. Si esta se escoge en forma aleatoria de un grupo de 12 estudiantes.
a) ¿Cuál es la probabilidad de que no sean escogidos al mismo tiempo dos estudiantes
que se caen mal?
b) ¿Cuál es la probabilidad de que sean escogidos al mismo tiempo dos estudiantes que
sean casados?

⎛10 ⎞⎛ 2 ⎞ ⎛10 ⎞⎛ 2 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟ + ⎜⎜ ⎟⎟⎜⎜ ⎟⎟
4 0 3 1
a) ⎝ ⎠⎝ ⎠ ⎝ ⎠⎝ ⎠ =0.909,
⎛12 ⎞
⎜⎜ ⎟⎟
⎝4⎠

⎛10 ⎞⎛ 2 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
2 2
b) ⎝ ⎠⎝ ⎠ =0.0909.
⎛12 ⎞
⎜⎜ ⎟⎟
⎝4⎠

Ejemplo 38: De una baraja ordinaria de 52 cartas se sacan en forma aleatoria 5 cartas.
¿Cuál es la probabilidad de obtener

a) a lo más dos ases?

b) exactamente dos reyes y un as?
⎧ ⎛ 4 ⎞⎛ 48 ⎞ ⎛ 4 ⎞⎛ 48 ⎞ ⎫
⎪ ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ ⎜⎜ ⎟⎟⎜⎜ ⎟⎟ ⎪
⎪ 3 2 4 1 ⎪
a) P[a lo más dos ases]= 1- P[3 o 4 ases] = 1 − ⎨ ⎝ ⎠⎝ ⎠ + ⎝ ⎠⎝ ⎠ ⎬ = 0.9982.
⎪ ⎛⎜ 52 ⎞⎟ ⎛ 52 ⎞ ⎪
⎜⎜ ⎟⎟
⎜
⎪⎩ ⎝ 5 ⎠ ⎟
⎝ 5 ⎠ ⎪⎭

⎛ 4 ⎞⎛ 4 ⎞⎛ 44 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟⎜⎜ ⎟⎟
2 1 2
b) P[dos reyes y un as] = ⎝ ⎠⎝ ⎠⎝ ⎠ = 0.000406.
⎛ 52 ⎞
⎜⎜ ⎟⎟
⎝5⎠

21
1.8 PROBABILIDAD CONDICIONAL

Motivaremos el concepto de probabilidad condicional por medio de un ejemplo.

Ejemplo 42: Se lanzan dos dados simultáneamente. Definimos los siguientes eventos:
A = {ambos números son impares}; B = {el número del primer dado es menor que el
número del segundo}. Encontrar las siguientes probabilidades:

P[A] ; P[B ] ; P[A ∩ B ]; P[ A dado que se sabe que B ocurrió] = P[A B ];

P[B dado que se sabe que A ocurrió] = P[B A].

9 1
A = {(1,1), (1,3), (1,5), (3,1), (3,3), (3,5), (5,1), (5,3), (5,5)} , por lo tanto P[A] = = ,
36 4
B = {(1,2), (1,3), (1,4), (1,5), (1,6), (2,3), (2,4), (2,5), (2,6), (3,4), (3,5), (3,6), (4,5), (4,6), (5,6)}

15 5
De esta manera P[B ] = = .
36 12
3 1
Obsérvese A ∩ B = {(1,3), (1,5), (3,5)}, por lo tanto P[A ∩ B ] = = .
36 12

Ahora, si sabemos que sucedió A, entonces los resultados posibles se reducen

únicamente a nueve de ellos (los puntos muestrales de A), por lo que los resultados
totales, ahora son nueve, entonces

P[B A] =
3 1
= .
9 3

Ahora P[A B ] =
3 1
= .
15 5

Obsérvese que
3
P[A ∩ B ]
P[B A] = 36 = y,
9 P[ A]
36

3
P[ A ∩ B ]
P[A B ] = 36 = .
15 P[B ]
36

A continuación daremos la definición de probabilidad condicional.

Definición 16 Sean A y B dos eventos. La probabilidad condicional del evento A dado

el evento B, denotado por P[A B ], es definida como

22
 P[ A ∩ B ]
P [A B ] = si P[B ] > 0.
P[B ]

Y si P[B ] = 0, la probabilidad condicional queda indefinida.

La probabilidad condicional del evento B dado el evento A, denotado por P[B A], es
definida como

P[ A ∩ B ]
P[B A] = si P[A] > 0.
P[A]

Y si P[A] = 0, la probabilidad condicional queda indefinida.

Observación: En las probabilidades condicionales el espacio muestral original se reduce

al evento dado. Lo que significa que las probabilidades condicionales son
probabilidades, pero con un nuevo espacio muestral, y por lo tanto se deberán de
cumplir los axiomas de probabilidad. Esto es,

i) P[A B ] ≥ 0,
ii) P[Ω B ]=1,
∞
iii) P[A1 ∪ A2 ∪ A3 ∪ L B ] = ∑ P[Ai B ] , si Ai ∩ A j = ∅ para i ≠ j .
i =1

Así mismo, se cumplirán también las propiedades de probabilidad:

a) P[∅ B ] = 0

b) P[A1 ∪ A2 ∪ L ∪ An B ] = ∑ P[Ai B ] , si Ai ∩ A j = ∅ para i ≠ j .

n

i =1

[ ]
c) P A B = 1- P[A B ] .
c

d) P[A1 ∪ A2 B ] = P[A1 B ] + P[A2 B ] - P[A1 ∩ A2 B ] .

e) Si A1 ⊂ A2 , entonces P[A1 B ] ≤ P[A2 B ] .

Se dejan al estudiante, la comprobación de cada una de estas propiedades.

Ejemplo 43: En una urna hay 3 bolas blancas y 4 rojas. Se sacan en forma aleatoria dos
bolas. ¿Cuál es la probabilidad de que resulten ambas bolas rojas dado que se sabe que
por lo menos una es roja?

Sea A = {ambas bolas son rojas} y B = {por lo menos una bola es roja}.

P[A ∩ B ] P[A]
P [A B ] = = ,
P[B ] P[B ]

23
 ⎛ 4 ⎞⎛ 3 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
2 0
donde P[A] = ⎝ ⎠⎝ ⎠ = 0.2857 y
⎛7⎞
⎜⎜ ⎟⎟
⎝ 2⎠
⎛ 4 ⎞⎛ 3 ⎞
⎜⎜ ⎟⎟⎜⎜ ⎟⎟
0 2
P[B ] = 1 − ⎝ ⎠⎝ ⎠ = 0.8571 .
⎛7⎞
⎜⎜ ⎟⎟
⎝ 2⎠
Por lo tanto P[A B ] =
0.2857
= 0.3333 .
0.8571

1.9 REGLA DE LA MULTIPLICACIÓN

Despejando de la definición de probabilidad condicional obtenemos una expresión para

calcular la probabilidad de la intersección de dos eventos

P[A ∩ B ] = P[A]P[B A] si P[A] >0,

P[A ∩ B ] = P[B ]P[A B ] si P[B ] >0.

Esta igualdad se le conoce en la literatura como la regla de la multiplicación de

probabilidades.

Teorema 8 Sean A1 , A2 , L , An eventos tal que P[ A1 ∩ A2 ∩ L ∩ An−1 ] > 0 , entonces

[ ]
P[ A1 ∩ A2 ∩ L ∩ An ] = P[ A1 ]P[A2 A1 ]P A3 A1 ∩ A2 L P[An A1 ∩ L ∩ An−1 ] .

La demostración es por inducción matemática.

Ejemplo 44: En una urna se tienen tres bolas blancas y dos negras. Se sacan dos bolas
en forma aleatoria una tras otra. ¿Cuál es la probabilidad de que las dos bolas sean
blancas?

A = {primera bola sea blanca},

B = {segunda bola sea blanca},

P[A ∩ B ] = P[A]P[B A] = × =
3 2 6
= 0.3.
5 4 20

Ejemplo 45: Considerando la misma urna del ejemplo anterior, ahora se sacan cuatro
bolas en forma aleatoria y consecutiva (una tras otra). ¿Cuál es la probabilidad de que
las tres primeras sean blancas y la última sea negra?

Definimos los siguientes eventos

24
A1 = {primera bola blanca},

A2 = {segunda bola blanca},

A3 = {tercera bola blanca},

A4 = {cuarta bola negra},

P[ A1 ∩ A2 ∩ A3 ∩ A4 ] = P[ A1 ]P[A2 A1 ]P[A3 A1 ∩ A2 ]P[A4 A1 ∩ A2 ∩ A3 ] =

3 2 1 2 1
× × × = = 0.1 .
5 4 3 2 10

1.13 TEOREMA DE LA PROBABILIDAD TOTAL

Definición 17 Los eventos B1 , B2 , L , Bn forman una partición del espacio muestral Ω ,

si cumplen las siguientes tres condiciones:

i) P[Bi ] >0, para toda i = 1, 2, …, n,

ii) Bi ∩ B j = ∅ , para toda i ≠ j ,

n
iii) UB i =Ω.
i =1

A continuación se presentará el teorema de la probabilidad total, el cual se puede aplicar

para situaciones donde existe una partición del espacio muestral.

Teorema 9 Sean B1 , B2 , L , Bn eventos que forman una partición del espacio

muestral Ω y sea A cualquier evento. Entonces

P[A] = ∑ P[A B i ]P[B i ] .

n

i =1

Demostración:

El evento A puede escribirse de la siguiente manera

n
A = U A ∩ Bi , por ser B1 , B2 , L , Bn una partición de Ω .
i =1

Además ( A ∩ Bi ) ∩ ( A ∩ B j ) = ∅ , para toda i ≠ j .

De esta manera

25
P[ A] = ∑ P[ A ∩ Bi ] = ∑ P[A B i ]P[B i ] , aplicando la regla de la multiplicación. ■
n n

i =1 i =1

Ejemplo 47: Considerando una urna con 3 bolas blancas y 2 negras, se seleccionan dos
bolas. ¿Cuál es la probabilidad de que la segunda bola sea negra?

Definimos los eventos A = {segunda bola negra}; B1 = {primera bola blanca}; B2 =

{primera bola negra}.

P[ A] = P[A B1 ]P[B1 ] + P[A B2 ]P[B2 ] = × + × = .

1 3 1 2 2
2 5 4 5 5

Ejemplo 48: De la misma urna del ejemplo anterior se sacan en forma aleatoria tres
bolas sin reemplazo. ¿Cuál es probabilidad de que la tercera bola sea blanca?

Definimos A = {tercera bola blanca}; B1 = {primera bola blanca y segunda bola

blanca}; B2 = {primera bola negra y segunda bola negra}; B3 = {primera bola blanca y
segunda bola negra}; B4 = {primera bola negra y segunda bola blanca}.

P[ A] = P[A B1 ]P[B1 ] + P[A B2 ]P[B2 ] + P[A B3 ]P[B3 ] + P[A B4 ]P[B4 ] =

1 3 2 3 2 1 2 3 2 2 2 3 3
= × × + × × + × × + × × = = 0.6 .
3 5 4 3 5 4 3 5 4 3 5 4 5

Obsérvese que a su vez P[Bi ] = P[C ]P[D C ], donde por ejemplo, para B1 , C = {primera
bola blanca} y D = {segunda bola blanca}.

1.14 TEOREMA DE BAYES

En esta sección se presentará y se demostrará la fórmula de Bayes, la cual es de mucha

utilidad para calcular cierto tipo de probabilidades condicionales, y es la base de la
teoría de la estadística Bayesiana.

Teorema 10 Sean B1 , B2 , L , Bn eventos que forman una partición del espacio

muestral Ω y sea A cualquier evento. Entonces

P[A Bi ]P[Bi ]
P[Bi A] = .
∑ P[A Bi ]P[Bi ]
n

i =1
Demostración:

P[A ∩ Bi ] P[A Bi ]P[Bi ]

P[Bi A] = = n .
P[A]
∑ P[A Bi ]P[Bi ]
i =1

26
Aplicando en el numerador la regla de la multiplicación de probabilidades y en el
denominador, el Teorema de la Probabilidad Total. ■

Ejemplo 49: Considerando la misma urna del ejemplo anterior, se sacan dos bolas en
forma aleatoria. Se sabe que la segunda bola fue negra, ¿cuál es la probabilidad de que
la primera bola sea negra?

Definimos A = {segunda bola negra}; B1 = {primera bola blanca}; B2 = {primera bola

negra}.
1 2
P[A B2 ]P[B2 ] ×
P[B2 A] = 4 5 1
= = = 0.25 .
P[A B1 ]P[B1 ] + P[A B2 ]P[B2 ] 2 3 1 2 4
× + ×
4 5 4 5

Ejemplo 50: Una urna contiene tres monedas, una de las cuales está acuñada con dos
águilas, mientras que las otras dos son monedas normales y no son sesgadas. Se escoge
una moneda al azar de la urna y se lanza cuatro veces en forma sucesiva. Si cada vez
salió águila, ¿cuál es la probabilidad de que se trate de la moneda anormal?

Definimos los siguientes eventos A = {resulten cuatro caras sucesivas}; B1 = {resulte

una moneda normal}; B2 = {resulte moneda anormal}.

1
P[A B2 ]P[B2 ] 1×
P[B2 A] = 3 8
= = = 0.89 .
P[A B1 ]P[B1 ] + P[A B2 ]P[B2 ] 1 ⎛1⎞
4
2 9
1× + ⎜ ⎟ ×
3 ⎝2⎠ 3

Ejemplo 51: Se sabe que el veredicto dado por un jurado es un 90% confiable cuando el
sospechoso es culpable, y un 99% confiable cuando es inocente. Si el sospechoso se
selecciona entre un grupo de personas, de los cuales solo el 5% han cometido algún
delito alguna vez y el jurado lo declara culpable. ¿Cuál es la probabilidad de que sea
inocente?
Definimos los siguientes eventos I = {el sospechoso sea inocente}; C = {el sospechoso
sea culpable}; DC = {el sospechosos se declara culpable}; DI = {el sospechoso se
declara inocente}. De esta manera

P[DC I ]P[I ] 0.01 × 0.95

P[I DC ] = = = 0.1743 .
P[DC I ]P[I ] + P[DC C ]P[C ] 0.01 × 0.95 + 0.9 × 0.05

Ejemplo 52: En un poblado se sabe que el 0.001 de la gente tiene tuberculosis. Una
prueba para detectar dicha enfermedad tiene las siguientes características: Si una
persona tiene tuberculosis, la prueba lo indicará con una probabilidad de 0.999, y si no
la tiene, la prueba indicará lo contrario con una probabilidad del 0.002. Se selecciona
una persona en forma aleatoria de dicha población y se le realiza la prueba. La prueba
indica que tiene tuberculosis. Calcular la probabilidad de que realmente la persona esté
enferma.

27
Definimos los siguientes eventos T = {la persona tiene tuberculosis}; S = {la persona
esta sana}; P = {la prueba detecta tuberculosis}.

P[P T ]P[T ] 0.999 × 0.001

P[T P ] = = = 0.3333 .
P[P T ]P[T ] + P[P S ]P[S ] 0.999 × 0.001 + 0.002 × 0.999

1.15 INDEPENDENCIA

En esta sección se tratará el concepto de independencia de dos o más eventos. Concepto

de suma importancia para el cálculo de probabilidades y también para la inferencia
estadística.

Definición 21 Dos eventos A y B son independientes si cumplen alguna de las

siguientes igualdades:

a) P[A ∩ B ] = P[ A]P[B ],

b) P[A B ] = P[A], si P[B ] > 0,

c) P[B A] = P[B ] , si P[A] > 0.

Nota: Si los eventos A y B cumplen con alguna de las tres condiciones, es más que
suficiente para decir que A y B son independientes. En otras palabras, las tres igualdades
son definiciones equivalentes de independencia de dos eventos. La demostración queda
como ejercicio para el estudiante.

Ejemplo 53: Se lanzan dos dados y se definen los siguientes eventos A = {el primer
dado es par} y B = {la suma de los dados es par}. ¿Son A y B independientes?

18 1 18 1 9 1
P[A] = = ; P[B ] = = y P[ A ∩ B ] = = .
36 2 36 2 36 4

1 1 1
Entonces P[ A ∩ B ] = = × = P[ A]P[B ] .
4 2 2

Por lo tanto A y B son independientes.

Teorema 11 Si A y B son eventos independientes, entonces A y B C también lo son.

La demostración se deja al estudiante.

Observación: Por lo tanto, los eventos B y AC también son independientes y, los
eventos AC y B C también son independientes.

Ejemplo 57: Si la probabilidad de que Juan todavía este vivo al cabo de 20 años es de
0.6 y la probabilidad de que Pedro sobreviva el mismo lapso es de 0.9. ¿Cuál es la
probabilidad de que ninguno sobreviva 20 años?

28
J = {Juan sobreviva al cabo de 20 años}; P = {Pedro sobreviva al cabo de 20 años}

J y P son eventos independientes, por lo que J C y P C también lo son (anterior

teorema).

[ ] [ ][ ]
Por lo tanto, P J C ∩ P C = P J C P P C = 0.4 × 0.1 = 0.04 .

Ejemplo 58: Un jugador de baloncesto encesta el 50% de sus tiros. De sus cuatro tiros
siguientes, calcular las siguientes probabilidades,
a) que enceste tres,
b) que enceste por lo menos un tiro,
c) que enceste dos tiros.

a) Encestar tres tiros significa no encestar uno. El tiro que falla puede ser el primero, el
segundo, el tercero o el cuarto. La probabilidad de que falle el primero y los otros tres
los enceste es 0.5 × 0.5 × 0.5 × 0.5 = 0.5 4

La multiplicación de estas probabilidades es posible ya que los tiros son independientes.

Análogamente, la probabilidad de que falle el segundo y los otros tres los enceste es
0.5 × 0.5 × 0.5 × 0.5 = 0.5 4 , y así hasta considerar que falle el cuarto tiro.

Por lo tanto la probabilidad buscada es 4 × 0.5 4 =0.25

b) P[encestar por lo menos un tiro] = 1 − P[encestar 0 tiros] = 1 − 0.5 4 = 0.9375.

c) Dos tiros encestados significa, alguno de los siguientes 6 casos

EEN N
EN EN
EN N E
N N EE
N EN E
N EEN

donde E denota tiro encestado y N no encestado.

La probabilidad en cada caso es igual a 0.5 4 , por lo que P[encestar dos tiros ] =
6 × 0.5 4 = 0.375.
⎛ 4⎞
De otra manera se puede calcular la probabilidad deseada como ⎜⎜ ⎟⎟(0.5) 2 (0.5) 2 .
⎝ 2⎠

Ejemplo 59: Los empleados de cierta compañía se encuentran separados en tres

divisiones: Administración, Académicos y Sindicalizados. La siguiente tabla indica el
número de empleados en cada división clasificados por sexo:

29
 M H
Ad 20 30
Ac 60 140
S 100 50

Se selecciona en forma aleatoria un empleado de esta compañía,

a) ¿Cuál es la probabilidad de que sea académico si sabe que es mujer?,

b) ¿Los eventos hombres y sindicalizados son independientes?

P[Ac M ] =
60
a) = 0.3333.
180

50 220 150
b) P[H ∩ S ] = = 0.125 ; P[H ] = = 0.55 ; P[S ] = = 0.375 .
400 400 400

Como 0.55 × 0.375 = 0.20625 ≠ 0.125 , por lo tanto los eventos no son independientes.

Ejemplo 60: De una urna que contiene 5 bolas negras y 3 verdes se sacan sucesivamente
3 bolas con reemplazo.
a) Calcular la probabilidad de que las tres bolas sean del mismo color.
b) Calcular la probabilidad de que cada color quede representado.

a) El hecho de que la selección se realice con reemplazo de las bolas, significa que
existe independencia.

P[tres bolas del mismo color ] = P[3 bolas negras] + P[3 bolas verdes] =
3 3
⎛ 5⎞ ⎛ 3⎞
⎜ ⎟ + ⎜ ⎟ = 0.2969
⎝8⎠ ⎝8⎠

b) P[cada color quede representado] = P[1 negra y 2 verdes] + P[2 negras y 1 verde]=
5 3 3 3 5 5
× × × 3 + × × × 3 = 0.6836 .
8 8 8 8 8 8

1.16 EJERCICIOS

1.- Sean A, B y C tres eventos asociados a un experimento. Exprese en diagrama de

Venn, los siguientes eventos:
a) No ocurre el evento A.
b) No ocurre ninguno de los tres eventos.
c) Solo ocurre el evento A.
d) Al menos uno de los eventos ocurre.
e) Exactamente uno de los eventos ocurre.
f) Exactamente dos de los eventos ocurre.
g) No ocurren más de dos sucesos simultáneamente.

30