PROBABILIDADES

Wankel Gonzales Olivera

 INTRODUCCIÓN
• El concepto de probabilidad es manejado por
mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuación:
• ¿ Cuál es la probabilidad de que me saque la
lotería ?
• ¿ Qué posibilidad hay de que me pase un
accidente automovilístico ?
• ¿ Qué posibilidad hay de que hoy llueva ? para
llevar mi paraguas o no.
• ¿ Existe alguna probabilidad de que repruebe
el primer parcial ?,
 DEFINICIÓN DE PROBABILIDAD
• La probabilidad de un evento es la razón que
existe entre los puntos del evento y los puntos
del espacio muestral.
 ESPACIO MUESTRAL
• Es el conjunto de puntos que son los
resultados de un experimento aleatorio, se
representa: Ω ó S.
Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en
como puede caer la moneda, o sea dos
formas de interés, que caiga sol o que
caiga águila. (Si cae de canto no es de
interés y se repite el lanzamiento).
S = { s, a }
2. Experimento: Se lanza un dado.
Espacio muestral = total de caras en
que puede caer el dado, o sea seis
formas de interés:
S = { 1, 2, 3, 4, 5, 6 }
 EVENTO O SUCESO
• Es un sub conjunto del espacio muestral,
generalmente utilizamos para representar
las letras mayúsculas: A, B, C, etc.
Son conjuntos que pueden contener un solo
elemento, una infinidad de elementos, y
también no contener ningún elemento.

Al número de puntos muestrales de S se le

representa por N(Ω ) ó N(S)
 CLASES DE EVENTOS (SUCESOS)
Eventos aleatorios: que aparecen con gran
frecuencia en el cálculo de probabilidades.
Evento seguro: Cuando se tiene la seguridad
de que va a suceder, puesto que el evento
siempre se realiza.
E = S y N(E) = N(S)
Evento Imposible: Cuando no se espera que
suceda el evento Es un subconjunto de S, y
la única posibilidad es que el evento
imposible sea el conjunto vacío.
  S, y N() = 0
Evento Posible:Cuando se espera que
suceda el evento
Evento Elemental: Es el evento E que
contiene exactamente un punto
muestral de S, esto es, N(E) = 1.
Cada elemento del espacio muestral, es
un evento elemental. También se le
denomina como punto muestral.
 En el experimento 1:

Si el espacio muestral es: S = { 1, 2, 3, 4, 5, 6 }

entonces :1, 2, 3, 4, 5 y 6 son sucesos
elementales, y N(S) =6
A = Que caiga un uno = { 1 }
B = Que caiga un dos = { 2 }
: : :
F = Que caiga un seis = { 6 }
Evento Compuesto: Es el evento E que
contiene más de un punto muestral de S,
por tanto
N(E) > 1
Evento contrario a un evento A: Se dice
que un evento no ocurre cuando los
resultados no pertenecen al suceso,
también se denomina evento
complemento de A =Ac =Ā, y se define
como: c
A   s  tal que s  A
 Ejemplo:
Experimento: Se lanza tres monedas.
Espacio Muestral:
Ω = { (S,S,S), (S,S,A), (S,A,S), (A,S,S), (A,A,S),
(A,S,A), (S,A,A), (A,A,A) },
N(Ω) = 8, S es el evento seguro.

Evento simple:
B:Que salgan tres soles; B ={ (S,S,S) } , N(B) = 1

Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, N(E) = 4

Evento imposible:  (conjunto vacio). N() = 0

 OPERACIONE BÁSICAS CON EVENTOS
ALEATORIOS

OPERACIÓN EXPRESION DESCRIPCION

UNION AB Unión de eventos originales: es el

evento que sucede si y solo si A
sucede o B sucede o ambos
suceden

INTERSECCION AB Intersección de los eventos

originales, es el evento que sucede
si y sólo si A y B suceden
simultáneamente.
DIFERENCIA A-B La diferencia de los eventos
originales A y B, es el evento que
sucede solo en A pero no en B.
 Ejemplo:
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de interés:
S = { 1,2,3,4,5,6 }, N(S) = 6
Sean A, B, C los eventos:
A: Que caiga un número impar = { 1, 3, 5 } ,
N(A) = 3
B: Que caiga un número mayor de 2 y menor que 5
= { 3, 4 }, N(B) = 2
C: Que caiga un número par = { 2, 4, 6 } ,
N(C) = 3
 A B
1 5 3
4

2
6 C

A B = { 1, 3, 5 } { 3, 4 } = {1,3,4,5}, N(A B) = 4

A  C = { 1, 3, 5 } { 2,4,6 } = {1,2,3,4,5,6}=S, N(A C) = N(S) = 6
B  C = { 3, 4 }  { 2, 4, 6 } = {2,3,4,6}, N(B  C) = 4
A B  C = { 1, 3, 5 } { 3, 4 } { 2,4,6 }= {1,2,3,4,5,6}=S,
N(A B  C) = 6
 S
A B
3 C
1
5 4 2
6

A  B={ 1, 3, 5 }  { 3, 4 } = {3}, N(AB) = 1

A  C={ 1, 3, 5 }  { 2,4,6 } = {}, N(A  C) = N{) = 0
B  C={ 3, 4 }  { 2, 4, 6 } = {4}, N(B  C) = 1
(A  B)  C = ({ 1, 3, 5 }  { 3, 4 })  { 2,4,6 }= {3} { 2,4,6 }={},
N((A  B)  C) = N{) = 0
A  (B  C) = { 1, 3, 5 }  ({ 3, 4 }  { 2,4,6 })= { 1, 3, 5 }  { 4 }={},
N(A  (B  C)) = N{) = 0
 S
A B
3 C
1
5 4 2
6

A – B = ={ 1, 3, 5 } - { 3, 4 } = { 1, 5 },
N(A – B) = 2
A – C = { 1, 3, 5 } - { 2,4,6 } = { 1,3,5 } = A,
N( A – C) = N(A) = 3
B – C = { 3, 4 } - { 2,4,6 } = { 3 },
N(B-C) = 1
 S
A B
3 C
1 4
5 2
6

Ac = { 2, 4, 6} = C N(Ac ) = N( C )= 3
Bc = {1, 2, 5, 6 } N(Bc ) = 4
Cc = {1, 3, 5 } = A N(Cc ) = N(A) = 3
PROBABILIDAD Y ESTADISTICA

PROBABILIDAD
 PROBABILIDAD
El concepto de probabilidad es manejado por
mucha gente. Frecuentemente se escuchan
preguntas como las que se mencionan a
continuación:
¿ Cuál es la probabilidad de que me saque la
lotería o el melate ?
¿ Qué posibilidad hay de que me pase un
accidente automovilístico ?
¿ Qué posibilidad hay de que hoy llueva ? para
llevar mi paraguas o no.
¿ Existe alguna probabilidad de que repruebe el
primer parcial ?,
 PROBABILIDAD
Estas preguntas en el lenguaje coloquial esperan
como respuesta una medida de confianza
representativa o práctica de que ocurra un
evento futuro, o bien de una forma sencilla
interpretar la probabilidad.

En este curso lo que se quiere es entender con

claridad su contexto, como se mide y como se
utiliza al hacer inferencias.
 PROBABILIDAD

El conocimiento de la probabilidad es de suma

importancia en todo estudio estadístico.

El cálculo de probabilidades proporciona las

reglas para el estudio de los experimentos
aleatorios o de azar, que constituyen la base
para la estadística inferencial.
 PROBABILIDAD

Fenómenos Aleatorios y
Fenómenos Deterministicos.

Fenómeno Aleatorio.-
Es un fenómeno del que no se sabe que es lo que
va a ocurrir, están relacionados con el azar o
probabilidad.
Fenómeno Determinista.-
Es el fenómeno en el cual de antemano se sabe
cual será el resultado.
 PROBABILIDAD

La probabilidad estudia el tipo de fenómenos aleatorios.

Experimento aleatorio.-
Una acción que se realiza con el propósito de
analizarla. Tiene como fin último determinar
la probabilidad de uno o de varios
resultados.
Se considera como aleatorio y estocástico, si
sus resultados no son constantes.
Puede ser efectuado cualquier número de veces
esencialmente en las mismas condiciones.
 PROBABILIDAD

Un experimento es aleatorio si se
verifican las siguientes condiciones:
1. Se puede repetir indefinidamente,
siempre en las mismas condiciones;
2. Antes de realizarlo, no se puede
predecir el resultado que se va a
obtener;
3. El resultado que se obtenga, s,
pertenece a un conjunto conocido
previamente de resultados posibles.
 PROBABILIDAD
Ejemplos:
Tirar dardos en un blanco determinado
Lanzar un par de dados
Obtener una carta de una baraja
Lanzar una moneda
 PROBABILIDAD

Otros ejemplos de eventos:

A: que al nacer un bebe, éste sea
niña
B: que una persona de 20 años,
sobreviva 15 años más
C: que la presión arterial de un
adulto se incremente ante un
disgusto
 PROBABILIDAD
Probabilidad e Inferencia.
Se presentan dos candidatos al cargo de la
presidencia del CEUDLA, y se desea
determinar si el candidato X puede ganar.

Población de interés: Conjunto de respuestas

de los estudiantes que votarán el día de las
elecciones.
Criterio de gane: Si obtiene el más del 50%
de los votos.
 PROBABILIDAD
Supóngase que todos los estudiantes de la
UDLA van a las urnas y se elige de manera
aleatoria, una muestra de 20 estudiantes.

Si los 20 estudiantes apoyan al candidato

¿ Qué concluye respecto a la posibilidad que

tiene el candidato X de ganar las elecciones
?
 PROBABILIDAD

1.- EL CANDIDATO X GANARA

2.- EL CANDIDATO Y GANARA

3.- NO SE PUEDE CONCLUIR NADA

 PROBABILIDAD

1.- EL CANDIDATO X GANARA

GANAR IMPLICA OBTENER MAS DEL 50%

Y COMO LA FRACCION QUE LO FAVORECE
EN LA MUESTRA ES 100%, ENTONCES
LA FRACCION QUE LO FAVORECERA EN
LA POBLACION SERA IGUAL.

¿ ES CORRECTA ESTA INFERENCIA ?.

 PROBABILIDAD
TOME UNA MONEDA HONRADA Y LANCELA
20 VECES ANOTANDO LOS
RESULTADOS.

LLAME X = CAE AGUILA

Y = CAE SOL.

¿ CUAL ES LA FRACCION DE AGUILAS Y

CUAL ES LA FRACCION DE SOLES ?.
 PROBABILIDAD
TOME UNA MONEDA HONRADA Y LANCELA
20 VECES ANOTANDO LOS
RESULTADOS.

LLAME X = CAE AGUILA

Y = CAE SOL.

¿ CUAL ES LA FRACCION DE AGUILAS Y

CUAL ES LA FRACCION DE SOLES ?.
 PROBABILIDAD

1.- EL CANDIDATO X GANARA

SERIA IMPOSIBLE QUE 20 DE LOS 20

VOTANTES DE LA MUESTRA LO
APOYARAN, SI EN REALIDAD, MENOS
DEL 50% DE LOS VOTANTES PENSARIA
VOTAR POR EL.

¿ ES CORRECTA ESTA INFERENCIA ?.

 PROBABILIDAD
NO.

SI BIEN NO ES IMPOSIBLE OBTENER 20

VOTANTES A FAVOR DE X EN UNA
MUESTRA DE 20, SI ES PROBABLE QUE
MENOS DEL 50% DE LOS VOTANTES
ESTE A FAVOR DE EL, AUN CUANDO SEA
MUY POCO PROBABLE.
 PROBABILIDAD
Espacio Muestral
Es el conjunto de todos los posibles resultados
de interés de un experimento dado, y se le
denota normalmente mediante la letra S.

Ejemplos:
1.- Experimento: Se lanza una moneda.
Espacio muestral = total de formas en como
puede caer la moneda, o sea dos formas de
interés, que caiga sol o que caiga águila. (Si
cae de canto no es de interés y se repite el
lanzamiento).
S = { s, a }
 PROBABILIDAD

2.- Experimento: Se lanza un dado.

Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de interés:
S = { 1, 2, 3, 4, 5, 6 }
 PROBABILIDAD
Los eventos aleatorios se denotan normalmente
con las letras mayúsculas A, B, C, ...

Son subconjuntos de S, esto es, A, B, C,…  S

Los eventos aleatorios son conjuntos que pueden

contener un solo elemento, una infinidad de
elementos, y también no contener ningún
elemento.

Al número de puntos muestrales de S se le

representa por N(S)
 PROBABILIDAD

Eventos aleatorios que aparecen con gran

frecuencia en el cálculo de probabilidades:

Evento seguro.- Siempre se verifica después del

experimento aleatorio, son los mismos del
espacio muestral.
E = S y N(E) = N(S)

Evento Imposible.- Es aquel que nunca se verifica

como resultado del experimento aleatorio. No
tiene elementos de interés para su fenómeno.
Es un subconjunto de S, y la única posibilidad
es que el evento imposible sea el conjunto vacío.
  S, y N() = 0
 PROBABILIDAD
Evento Elemental.- Es el evento E que
contiene exactamente un punto muestral de
S, esto es, N(E) = 1.
Cada elemento del espacio muestral, es un
evento elemental. También se le
denomina como punto muestral.

Si s1, s2  S entonces s1, s2 son

eventos elementales.
 PROBABILIDAD

Ejemplos (1) y (2):

En el experimento 1,
S = { s, a }, s y a son sucesos elementales
N(S) = 2

A = Que caiga sol = { s }, N(A) = 1

B = Que caiga águila = { a }, N(B) = 1
 PROBABILIDAD

En el experimento 2,
S = { 1, 2, 3, 4, 5, 6 }, 1, 2, 3, 4, 5 y 6 son
sucesos elementales, y
N(S) =6
A = Que caiga un uno = { 1 }
B = Que caiga un dos = { 2 }
: : :
F = Que caiga un seis = { 6 }
 PROBABILIDAD
Evento Compuesto.- Es el evento E que contiene
más de un punto muestral de S, por tanto
N(E) > 1

Evento contrario a un evento A: También se

denomina evento complemento de A y es el
evento que se verifica si, como resultado del
experimento aleatorio, no se verifica A.
Ya que los eventos son conjuntos, este evento se
denota con el símbolo Ac o bien Ā, y se define
como:
A   s  tal que s  A
c
 PROBABILIDAD
Ejemplo:
Experimento: Se lanza una moneda tres veces.
Espacio Muestral:
Ω = { (S,S,S), (S,S,A), (S,A,S), (A,S,S), (A,A,S), (A,S,A),
(S,A,A), (A,A,A) },
N(Ω) = 8, S es el evento seguro.

Evento simple:
B:Que salgan tres soles; B ={ (S,S,S) } , N(B) = 1

Evento compuesto:
E: Que salgan al menos dos soles;
E = { (S,S,S), (S,S,A), (S,A,S), (A,S,S) }, N(E) = 4

Evento imposible:  (conjunto vacio). N() = 0

 PROBABILIDAD

Si un espacio muestral contiene n puntos

muestrales, hay un total de 2n subconjuntos o
eventos ( se le conoce como conjunto potencia ).

Por tanto para el ejemplo anterior existen:

28 = 256, eventos posibles.

Para el caso del experimento: se tira una

moneda,
el espacio muestral es de 2 puntos muestrales
S = {A, S}, por lo que se tienen 22 = 4
subconjuntos y el conjunto potencia es: (A,S),
(A), (S),  (conjunto vacio).
 PROBABILIDAD

Operaciones Básicas con Eventos Aleatorios

Ya que los eventos aleatorios son subconjuntos del

conjunto Ω, espacio muestral, se pueden
aplicar las conocidas operaciones con
conjuntos, a los eventos, como son la unión, la
intersección y la diferencia de eventos.
 PROBABILIDAD

OPERACIÓN EXPRESION DESCRIPCION

UNION AB Unión de eventos originales: es el

evento que sucede si y solo si A
sucede o B sucede o ambos
suceden

INTERSECCION AB Intersección de los eventos

originales, es el evento que sucede
si y sólo si A y B suceden
simultáneamente.
DIFERENCIA A-B La diferencia de los eventos
originales A y B, es el evento que
sucede solo en A pero no en B.
 PROBABILIDAD

Gráficamente estas operaciones se pueden

representar a través de los diagramas de Venn.
Sea Ω el espacio muestral y A y B eventos tal que
A, B  Ω gráficamente se puede expresar
como:
S

A B

Fig. 1 Los eventos A y B no tienen elementos del espacio muestral en común.

 PROBABILIDAD

A B

Fig 2. Los eventos A y B tienen elementos del espacio muestral en común.

 PROBABILIDAD

De acuerdo a lo indicado en las figuras 1 y 2, la

unión de dos eventos se presenta de dos formas
diferentes: cuando los eventos son mutuamente
exclusivos (que no tienen elementos en común) y
cuando entre los eventos hay elementos
comunes.

Definición.- Se dice que dos eventos A y B son

mutuamente exclusivos, cuando no pueden
ocurrir simultáneamente, es decir, A  B = , lo
que ocurre en la fig. 1.
 PROBABILIDAD
Ejemplo:
Experimento: Se lanza un dado.
Espacio muestral = total de caras en que puede
caer el dado, o sea seis formas de interés:
S = { 1,2,3,4,5,6 }, N(S) = 6
Sean A, B, C los eventos:
A: Que caiga un número impar = { 1, 3, 5 } ,
N(A) = 3
B: Que caiga un número mayor de 2 y menor que 5
= { 3, 4 }, N(B) = 2
C: Que caiga un número par = { 2, 4, 6 } ,
N(C) = 3
 PROBABILIDAD

A B S

1
3
4
5
2 C
6

A B = { 1, 3, 5 } { 3, 4 } = {1,3,4,5}, N(A B) = 4

A  C = { 1, 3, 5 } { 2,4,6 } = {1,2,3,4,5,6}=S, N(A C) = N(S) = 6
B  C = { 3, 4 }  { 2, 4, 6 } = {2,3,4,6}, N(B  C) = 4
A B  C = { 1, 3, 5 } { 3, 4 } { 2,4,6 }= {1,2,3,4,5,6}=S,
N(A B  C) = 6
 PROBABILIDAD

S
B
A 3
4
C

A  B={ 1, 3, 5 }  { 3, 4 } = {3}, N(AB) = 1

A  C={ 1, 3, 5 }  { 2,4,6 } = {}, N(A  C) = N{) = 0
B  C={ 3, 4 }  { 2, 4, 6 } = {4}, N(B  C) = 1
(A  B)  C = ({ 1, 3, 5 }  { 3, 4 })  { 2,4,6 }= {3} { 2,4,6 }={},
N((A  B)  C) = N{) = 0
A  (B  C) = { 1, 3, 5 }  ({ 3, 4 }  { 2,4,6 })= { 1, 3, 5 }  { 4 }={},
N(A  (B  C)) = N{) = 0
 PROBABILIDAD

S
B
1
A 3
5
C

A – B = ={ 1, 3, 5 } - { 3, 4 } = { 1, 5 }, N(A – B) = 2
A – C = { 1, 3, 5 } - { 2,4,6 } = { 1,3,5 } = A, N( A – C) = N(A) = 3
B – C = { 3, 4 } - { 2,4,6 } = { 3 }, N(B-C) = 1
 PROBABILIDAD

S
B
1
A 3
4
5
C
2
6

Ac = { 2, 4, 6} = C N(Ac ) = N( C )= 3
Bc = {1, 2, 5, 6 } N(Bc ) = 4
Cc = {1, 3, 5 } = A N(Cc ) = N(A) = 3
 PROBABILIDAD

Probabilidad Clásica y Frecuencial.

Probabilidad frecuencial y regularidad
estadística
Las frecuencias relativas de un evento tienden
a estabilizarse cuando el número de
observaciones se hace cada vez mayor.
Ejemplo: La regularidad estadística en el
experimento del lanzamiento de monedas,
indica que las frecuencias relativas del
evento: que salga sol {s }, se tiende a
estabilizar aproximadamente en .5= 1/2.
 PROBABILIDAD

Probabilidad frecuencial y regularidad

estadística

La probabilidad de un evento A, denotada

por P(A), es el valor en el que se
estabilizan las frecuencias relativas
del evento A, cuando el número de
observaciones del experimento se
hace cada vez mayor.
 PROBABILIDAD

Esto es:
N ( A)
P( A)  (2)
N ()
donde
N(A) = número de elementos del evento A
N(Ω) = número de elementos del espacio
muestral Ω.
 PROBABILIDAD
Probabilidad clásica.-
Sea S un espacio muestral cualquiera y A un evento de
ese espacio. Se define la probabilidad P del evento
A, como:

NCF
P( A)  (1)
donde NCT
NCF - número de casos favorables
NCT - número de casos totales
 PROBABILIDAD

Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
águila.
Calcular la probabilidad de A:
S = { A, S}, N(Ω) = 2
A = { A }, N(A) = 1

N ( A) 1
P( A)    .5
N () 2
 PROBABILIDAD

Leyes De La Probabilidad
Las relaciones que se dan entre los
eventos al ser aplicadas las
operaciones que se presentaron, se
facilitan y comprenden mejor haciendo
uso de los axiomas y teoremas de
probabilidad (Leyes de Probabilidad).
Axioma.- es una verdad evidente que no
requiere demostración.
Teorema.- Es una verdad que requiere
ser demostrada.
 PROBABILIDAD

Axioma 1.- Sea S un espacio muestral cualquiera

y A un evento, tal que A  S, entonces se
cumple que
0  P(A)  1 (3)

esto significa que la probabilidad de cualquier

evento no puede ser más grande que uno, ni ser
menor que cero. Si es igual a 1 se llama evento
seguro, y cuando es cero se llama evento
imposible.
P(A)
___________________________________
• -2 -1 0 1 2
 PROBABILIDAD

Axioma 2.- La probabilidad del espacio muestral Ω es

un evento seguro, es uno
P(Ω) = 1

Ejemplo.-
Experimento.- Se lanza un dado
Si A =Ω, es decir si el evento A coincide o es igual al
espacio muestral, entonces.

N ( A) N (S )
P( A)   1
N () N ()
 PROBABILIDAD

Teorema 1.- Si  es el conjunto vacío,

entonces la probabilidad de  es igual a 0
N ()
P()  0
N ()
Ejemplos:
Una persona que quiere ganar la lotería nacional,
pero no compra boleto.
Que aparezca un siete al lanzar un dado
Que una persona viva 250 años
En estos casos los eventos son vacíos
 PROBABILIDAD

Axioma 3.- Sea Ω un espacio muestral

cualquiera y sean A y B dos eventos tales que
A  Ω, B  Ω y A  B = , es decir, dos
eventos mutuamente exclusivos, entonces
P(A  B) = P(A) + P(B).

A B

A B
 PROBABILIDAD
Ejemplo:
Experimento: Se lanzan dos monedas
Ω = { ss, aa, sa, as}
N(Ω) = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos soles exactamente
B: el evento de que al lanzar un par de monedas caiga un
sol exactamente.
Los elementos de A y B son
A = { ss }
B = {sa, as}
Se puede ver que A  B = , no hay elementos en común,
por lo que los eventos son mutuamente exclusivos o
disjuntos, por tanto
P(A  B) = P(A) + P(B)
 PROBABILIDAD

N ( A) 1
P( A)  
N () 4
N ( B) 2
P( B)  
N () 4
1 2 3
P( A  B)  P( A)  P( B)   
4 4 4
 PROBABILIDAD

Axioma 4.-
Sean A1, A2, A3, A4, ..., An eventos mutuamente
exclusivos:
P(A1  A2  A3  A4, ...  An) =
P(A1) + P(A2) + P(A3) + P(A4) + ...+ P(An)

Este axioma dice que la probabilidad de varios

eventos mutuamente exclusivos (que no tienen
elementos en común), es igual a la suma de sus
probabilidades.
 Si los eventos no son mutuamente excluyentes entonces para n eventos seria:

P( A1 A2 ... An )  P( A1 )  P( A2 )  ...  P( An ) 
n n

 P( A
i j
i Aj )   P( Ai Aj Ak ) ...  P( A1 A2 ... Ak )
i  j k
 PROBABILIDAD

Ejemplo:
Experimento: Se lanza un dado
Sean
Evento A: que al lanzar un dado salga el 2 o el 4
Evento B: que al lanzar un dado salga un número
mayor a 4
Evento C: que salga el 1 o 3

Los elementos de A, B y C son

A = {2, 4}, N(A) = 2
B = {5, 6}, N(B) = 2
C = {1, 3} , N(C) = 2
 PROBABILIDAD

Como A, B y C son mutuamente excluyentes, ya

que A  B = {}, A  C = {},
B  C = {},
Por axioma 4
P(A  B  C) = P(A) + P(B) + P(C)
N ( A) 2
P( A)  
N () 6
N ( B) 2
P( B)  
N () 6
N (C ) 2
P(C )  
N () 6
2 2 2 6
P( A  B  C )  P( A)  P( B)  P(C )      1
6 6 6 6
 PROBABILIDAD

Teorema 2.-(Ley Aditiva de la Probabilildad).

Sean A y B dos eventos no excluyentes, A  B 
, entonces
P(A  B) = P(A) + P(B) - P(A  B)

A B
 PROBABILIDAD

Diferencia
Sean A y B dos eventos:
A-B = { x | x  A y x  B }

A- B
 PROBABILIDAD
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A  B = { 2s } N(A  B ) = 1
P(A  B) = P(A) + P(B) - P(A  B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
 PROBABILIDAD

Teorema 3.- Sea A un evento cualquiera y Ω un

espacio muestral, tal que AS, si Ac es el
complemento del evento A, entonces la
probabilidad de Ac es igual a 1 menos la
probabilidad de A, es decir

P(Ac) = 1 – P(A)
 PROBABILIDAD
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12
 PROBABILIDAD

Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral Ω, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:

P( A  E)
P( A / E) 
P( E)
 PROBABILIDAD
Eventos Independientes:

Se dice que los eventos A y E son independientes si

se cumplen:

P( A / E )  P( A)
P( E / A)  P( E )
P( A  B)  P( A) P( B)
Si no se cumplen, se dice que los eventos son
dependientes.
 PROBABILIDAD

Probabilidad Condicional.

Ley Multiplicativa de la Probabilidad.

Ya que (AE) = (EA) y despejamos a P(AE), se tiene

que la probabilidad de la intersección es:

P( A  E )
P( A / E ) 
P( E )
P( E  A)
P( E / A) 
P( A)
P( A  E )  P( A / E ) P( E )
 P( E/A ) P( A )
 PROBABILIDAD

Probabilidad Condicional.

Si A y B son independientes:

P( A  E )  P( A / E ) P( E )  P( A) P( E )
 P( E/A ) P( A )  P(E)P(A)

P( A  E ) P( A) P( E )
P( A / E )    P( A)
P( E ) P( E )
P( E  A) P( E ) P( A)
P( E / A)    P( E )
P( A) P( A)
 PROBABILIDAD
Ejemplo:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 3
E: que al lanzar un dado salga un impar

Encontrar la probabilidad de que al lanzar un dado

se obtenga un 3 dado que se obtuvo un impar.

Ω = {1,2,3,4,5,6}
A = {3}, E = { 1,3,5}, (AE) = {3},
P(A) = 1/6
P(A/E) = P(AE)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
 PROBABILIDAD

Otra forma de calcular las probabilidades de la

intersección y las probabilidades condicionales,
de dos eventos A y B, tal que
A  AC = Ω
B  BC = Ω
es elaborando primero la tabla de número de
elementos de los eventos y después la tabla de
sus probabilidades.
Se tienen los eventos A y B y sus complementos
Ac, Bc

B Bc Total

A AB ABc A

Ac AcB AcBc Ac

Total B Bc Ω
Tabla de número de elementos de A, B y sus
complementos Ac, Bc

B Bc Total

A N(AB) N(ABc) N(A)

Ac N(AcB) N(AcBc) N(Ac)

Total N(B) N(Bc) N(Ω)

Tabla de probabilidades de A, B, Ac, Bc y sus
intersecciones

B Bc Total

A P(AB) P(ABc) P(A)

Ac P(AcB) P(AcBc) P(Ac)

Total P(B) P(Bc) P( Ω)

 PROBABILIDAD

Probabilidades condicionales:

P(A/B) = P(A  B)/P(B)

P(B/A) = P(A  B)/P(A)
P(A/Bc) = P(A  Bc)/P(Bc)
P(B/Ac) = P(Ac  B)/P(Ac)
P(Ac/B) = P(Ac  B)/P(B)
P(Bc/A) = P(A  Bc)/P(A)
 PROBABILIDAD

Ejemplo.-
En cierta ciudad, las mujeres representan el 50%
de la población y los hombres el otro 50%. Se
sabe que el 20% de las mujeres y el 5% de
hombres están sin trabajo. Un economista
estudia la situación de empleo, elige al azar una
persona desempleada. Si la población total es
de 8000 personas,
¿ Cuál es la probabilidad de que la persona
escogida sea ?:
 PROBABILIDAD

a).- Mujer
b).- Hombre
c).- Mujer dado que está empleado
d).- Desempleado dado que es hombre
e).- Empleado dado que es mujer

Sean los eventos:

M: Que sea Mujer
H: Que sea Hombre
D: Que sea Desempleado
E: Que sea Empleado
Tabla Número de elementos de los Eventos M, H, D, E y S

Desempleados Empleados Total

D E

Mujeres 800 3200 4000

M

Hombres 200 3800 4000

H

Total 1000 7000 8000

 Tabla de Probabilidades

D E Total
M 800/8000 = .1 3200/8000= .4 4000/8000= .5

H 200/8000= .025 3800/8000= .475 4000/8000= .5

Total 1000/8000= .125 7000/8000= .875 8000/8000= 1

 PROBABILIDAD

P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(M/E) = P(ME)/P(E) = .40/.875 = .4571
P(D/H) = P(DH)/P(H) = .025/.5 = .05
P(E/M) = P(ME)/P(M) = .40/.5 = .8
P(M/D) = P(MD)/P(D) = .10/.125 = .8
P(H/D) = P(HD)/P(D) = .025/.125 = .2
 PROBABILIDAD

Eventos dependientes e independientes

En el ejemplo anterior se tiene que
P(M) = .50
P(H) = .50
P(E) = .875
P(D) = .125
P(ME) = .40 P(M) P(E) = .4375
P(DH) = .025 P(D) P(H) = .0625
P(MD) = .10 P(M) P(D) = .0625
P(EH) = .475 P(E) P(H) = .4375
 PROBABILIDAD

Por tanto los eventos M y E ,

D y H,
M y D,
EyH
son dependientes.
 Ley general Multiplicativa para n eventos

P( A1 A2 A3 ... Ak )  P( A1 )P( A2 \ A1 )P( A3 \ A1 A2 )...P( Ak \ A1 A2 ... Ak 1)

INDEPENDENCIA DE n EVENTOS

P( A1 A2 A3 ... Ak )  P( A1 )P( A2 )P( A3 )...P( Ak )

 PROBABILIDAD

Probabilidad total.-
Sean A1, A2, A3..., An eventos disjuntos
(mutuamente excluyentes), que forman una
partición de Ω. Esto es Ai  Aj =  para
toda i y toda j, y además
Ω = A1  A2  A3  An
A2
A5
A3
A1 A4

A6

An
 PROBABILIDAD

Y sea E otro evento tal que E  Ω y E  Ai  

A2
A5
A3
A1 A4

E
A6

An

E
 PROBABILIDAD

Entonces
E = Ω  E = (A1  A2 A3 An)  E
= (A1  E) (A2  E) (A3 E)
 (An E)

Al aplicar la función de probabilidad a ambos eventos,

se tiene que:
P(E) = P(A1E) + P(A2E) +P(A3E) ++P(An E)

Ya que (Ai  E) es ajeno a (Aj  E) para i ≠ j

 PROBABILIDAD

Como (Ai  E) = (E  Ai) entonces

P(Ai  E) = P(E  Ai) = P(E/Ai) P(Ai)

Entonces la probabilidad completa de E es:

P(E) = P(E/A1) P(A1) + P(E/A2) P(A2) +

P(E/A3)P(A3)+...+ P(E/An) P(An)
 PROBABILIDAD

Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Si se selecciona un artículo al azar,
¿ Cuál es la probabilidad de que el artículo sea
defectuoso ?
 PROBABILIDAD

Sea
D el evento: Que sea un artículo defectuoso.
P(M1) = .50 P(D/M1) = .03
P(M2) = .30 P(D/M2) = .04
P(M3) = .20 P(D/M3) = .05

P(D) = P(D/M1) P(M1) + P(D/M2) P(M2) +

P(D/M3) P(M3)
= .03(.50) + .04(.30) + .05(.20) = 0.037
 P(D/M1)=.03
D P(M1)*P(D/M1)=.5*.03=.015
P(M1)=.50 M1
ND
P(ND/M1)=.97

P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND

P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.20 M3
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
 PROBABILIDAD

Teorema de Bayes.- Supóngase que A1, A2, A3,...,An

es una partición de un espacio muestral Ω. En cada
caso P(Ai) ≠ 0. La partición es tal que A1, A2,
A3,...,An, son eventos mutuamente exclusivos. Sea E
cualquier evento, entonces para cualquier Ai,

P( Ai )P(E / AI )
P( Ai / E) 
P( A1 )P(E / A1 )  P( A2 )P(E / A2 )   P( An )P(E / An )
 PROBABILIDAD

Co mola p ro b ab ilidad co mp letad e E es :

P(E)  P(A1 )P(E/A1 )  P(A2 )P(E/A2 )    P(An )P(E/An )

en to n ces
P( Ai ) P( E / AI )
P( Ai / E ) 
P(E)
 PROBABILIDAD

Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Supóngase que se selecciona un artículo
al azar y resulta ser defectuoso. ¿Cuál sería
la probabilidad de que el artículo haya sido
producido por la máquina M1?
 PROBABILIDAD

Ejemplo.-
En una pequeña empresa de tejidos se obtiene
su producción con tres máquinas hiladoras M1,
M2 y M3 que producen respectivamente 50%,
30% y el 20% del número total de artículos
producidos.
Los porcentajes de productos defectuosos
producidos por estas máquinas son 3%, 4% y
5%. Supóngase que se selecciona un artículo
al azar y resulta ser defectuoso. ¿Cuál sería
la probabilidad de que el artículo haya sido
producido por la máquina M1?
 PROBABILIDAD

Sea
D: Que el artículo sea defectuoso
ND: Que el artículo no sea defectuoso
M1: Que haya sido producido por la máquina 1
M2: Que haya sido producido por la máquina 2
M3: Que haya sido producido por la máquina 3

P(M1) = .50 P(D/M1) = .03

P(M2) = .30 P(D/M2) = .04
P(M3) = .20 P(D/M3) = .05
 P(D/M1)=.03
D P(M1)*P(D/M1)=.5*.03=.015
P(M1)=.50 M1
ND
P(ND/M1)=.97

P(D/M2)=.04 P(M2)*P(D/M2)=.3*.04=.012
D
P(M2)=.30 M2
P(ND/M2)=.96 ND

P(D/M3)=.05
D P(M1)*P(D/M1)=.2*.05=.01
P(M3)=.20 M3
ND
P(ND/M3)=.95
P(D) = .015+.012+.01=.037
 PROBABILIDAD
Por teorema de Bayes se tiene:

P(M1 )P(D / M 1 )
P(M1 / D) 
P(M 1 )P(D / M 1 )  P(M 2 )P(D / M 2 )  P(M 3 )P(D / M 3 )
P(M 1 )P(D / M 1 ) (.5 0)(.0 3)
   .4 0 5 4
P(D) .0 3 7

La probabilidad de que el artículo defectuoso se

haya producido en la M1 es del 40.54%
PROBABILIDAD CLÁSICA
Y FRECUENCIAL -
TEOREMAS

Wankel Gonzales Olivera

 Probabilidad frecuencial y
regularidad estadística
Las frecuencias relativas de un evento
tienden a estabilizarse cuando el número de
observaciones se hace cada vez mayor.

Ejemplo: La regularidad estadística en el

experimento del lanzamiento de monedas,
indica que las frecuencias relativas del
evento: que salga sol {s }, se tiende a
estabilizar aproximadamente en 0.5= 1/2.
La probabilidad de un evento A,
denotada por P(A), es el valor en el que
se estabilizan las frecuencias relativas
del evento A, cuando el número de
observaciones del experimento se
hace cada vez mayor.
Esto es:
N ( A)
P( A)  (2)
N ()
donde
N(A) = número de elementos del evento A
N(Ω) = número de elementos del espacio
muestral Ω.
 Probabilidad clásica
Sea S un espacio muestral cualquiera y A un evento
de ese espacio. Se define la probabilidad P del
evento A, como:

NCF
P( A)  (1)
NCT
donde
NCF - número de casos favorables
NCT - número de casos totales
Ejemplo:
Experimento.- Se lanza una moneda
Evento A.- que al lanzar una moneda caiga
águila.
Calcular la probabilidad de A:
S = { A, S}, N(Ω) = 2
A = { A }, N(A) = 1
N ( A) 1
P( A)    .5
N () 2
 Leyes De La Probabilidad
Las relaciones que se dan entre los
eventos al ser aplicadas las
operaciones que se presentaron, se
facilitan y comprenden mejor haciendo
uso de los axiomas y teoremas de
probabilidad (Leyes de Probabilidad).
Axioma.- es una verdad evidente que no
requiere demostración.
Teorema.- Es una verdad que requiere
ser demostrada.
 Axioma 1.- Sea S un espacio muestral
cualquiera y A un evento, tal que A  S,
entonces se cumple que
0  P(A)  1 (3)

esto significa que la probabilidad de cualquier

evento no puede ser más grande que uno, ni ser
menor que cero. Si es igual a 1 se llama evento
seguro, y cuando es cero se llama evento
imposible.
P(A)
___________________________________
• -2 -1 0 1 2
Axioma 2.- La probabilidad del espacio muestral Ω
es un evento seguro, es uno
P(Ω) = 1

Ejemplo.-
Experimento.- Se lanza un dado
Si A =Ω, es decir si el evento A coincide o es igual al
espacio muestral, entonces.

N ( A) N (S )
P( A)   1
N () N ()
Teorema 1.- Si  es el conjunto vacío,
entonces la probabilidad de  es igual a 0
N ()
P()  0
N ()

Ejemplos:
a) Una persona que quiere ganar la lotería
nacional, pero no compra boleto.
b) Que aparezca un siete al lanzar un dado
c) Que una persona viva 250 años
d) En estos casos los eventos son vacíos
Axioma 3.- Sea Ω un espacio muestral
cualquiera y sean A y B dos eventos tales que
A  Ω, B  Ω y A  B = , es decir, dos
eventos mutuamente exclusivos, entonces
P(A  B) = P(A) + P(B).

A B

A B
Ejemplo:
Experimento: Se lanzan dos monedas
Ω = { ss, aa, sa, as}
N(Ω) = 4
Sean:
A: el evento de que al lanzar un par de monedas caigan
dos soles exactamente
B: el evento de que al lanzar un par de monedas caiga un
sol exactamente.
Los elementos de A y B son
A = { ss }
B = {sa, as}
Se puede ver que A  B = , no hay elementos en común,
por lo que los eventos son mutuamente exclusivos o
disjuntos, por tanto
P(A  B) = P(A) + P(B)
 N ( A) 1
P( A)  
N () 4
N ( B) 2
P( B)  
N () 4
1 2 3
P( A  B)  P( A)  P( B)   
4 4 4
Axioma 4.-
Sean A1, A2, A3, A4, ..., An eventos mutuamente
exclusivos:
P(A1  A2  A3  A4, ...  An) =
P(A1) + P(A2) + P(A3) + P(A4) + ...+ P(An)

Este axioma dice que la probabilidad de varios

eventos mutuamente exclusivos (que no tienen
elementos en común), es igual a la suma de sus
probabilidades.
Ejemplo:
Experimento: Se lanza un dado
Sean
Evento A: que al lanzar un dado salga el 2 o el 4
Evento B: que al lanzar un dado salga un número
mayor a 4
Evento C: que salga el 1 o 3

Los elementos de A, B y C son

A = {2, 4}, N(A) = 2
B = {5, 6}, N(B) = 2
C = {1, 3} , N(C) = 2
Como A, B y C son mutuamente excluyentes, ya
que A  B = {}, A  C = {},
B  C = {},
Por axioma 4
P(A  B  C) = P(A) + P(B) + P(C)
N ( A) 2
P( A)  
N () 6
N ( B) 2
P( B)  
N () 6
N (C ) 2
P(C )  
N () 6
2 2 2 6
P( A  B  C )  P( A)  P( B)  P(C )     1
6 6 6 6
Teorema 2.-(Ley Aditiva de la Probabilildad).
Sean A y B dos eventos no excluyentes, A  B 
, entonces
P(A  B) = P(A) + P(B) - P(A  B)

A B
Diferencia
Sean A y B dos eventos:
A-B = { x | x  A y x  B }

A- B
Ejemplo.-
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
A  B = { 2s } N(A  B ) = 1
P(A  B) = P(A) + P(B) - P(A  B)
= 2/12 + 3/12 – 1/12 = 4/12 = 1/3
Teorema 3.- Sea A un evento cualquiera y Ω
un espacio muestral, tal que AS, si Ac es el
complemento del evento A, entonces la
probabilidad de Ac es igual a 1 menos la
probabilidad de A, es decir

P(Ac) = 1 – P(A)
Experimento.- Se lanza un dado y una moneda
Ω = {1s, 2s, 3s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
N(Ω) = 12
A: Al lanzar un dado y una moneda aparezcan el
número 2 o 3 con sol.
B: Al lanzar un dado y una moneda aparezcan
números pares con sol.
A = { 2s, 3s }, N(A) = 2
B = { 2s, 4s, 6s } N(B) = 3
Ac = { 1s, 4s, 5s, 6s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Ac) = 1 – P(A) = 1 – 2/12 = 10/12
Bc = { 1s, 3s, 5s, 1a, 2a, 3a, 4a, 5a, 6a }
P(Bc) = 1 – P(B) = 1 – 3/12 = 9/12
Probabilidad Condicional.
Sea A un evento arbitrario de un espacio
muestral Ω, con P(E) > 0. La probabilidad
de que un evento A suceda una vez que E
ha sucedido o en otras palabras, la
probabilidad condicional de A dado E, se
define como:

P( A  E)
P( A / E) 
P( E)
Eventos Independientes:
Se dice que los eventos A y E son independientes si
se cumplen:

P( A / E )  P( A)
P( E / A)  P( E )
P( A  B)  P( A) P( B)
Si no se cumplen, se dice que los eventos son
dependientes.
Ley Multiplicativa de la Probabilidad.

Ya que (AE) = (EA) y despejamos a P(AE), se

tiene que la probabilidad de la intersección es:

P( A  E )
P( A / E ) 
P( E )
P( E  A)
P( E / A) 
P( A)
P( A  E )  P( A / E ) P( E )
 P( E/A ) P( A )
Si A y B son independientes:

P( A  E )  P( A / E ) P( E )  P( A) P( E )
 P( E/A ) P( A )  P(E)P(A)

P( A  E ) P( A) P( E )
P( A / E )    P( A)
P( E ) P( E )
P( E  A) P( E ) P( A)
P( E / A)    P( E )
P( A) P( A)
Ejemplo 01:
Experimento: Lanzar un dado.
A: que al lanzar el dado caiga 3
E: que al lanzar un dado salga un impar

Encontrar la probabilidad de que al lanzar un dado

se obtenga un 3, dado que se obtuvo un impar.

Ω = {1,2,3,4,5,6}
A = {3}, E = { 1,3,5}, (AE) = {3},
P(A) = 1/6
P(A/E) = P(AE)/ P(E)
= 1/6 / 3/6 = (1)(6)/(6)(3)
= 6/18 = 1/3
Ejemplo 02:
La probabilidad de que un comerciante
venda dentro de un mes un lote de radios
es de ½ y un lote de tv es ¼ . Hallar la
probabilidad de que el mes siguiente:
a) Venda radios y tv.
b) Venda al menos uno de los 2 lotes.
c) No venda ninguno de los lotes.
d) Solamente venda el lote de radios y no
de tv.
 EJERCICIOS PROPUESTOS
1. Se lanza un dado. ¿Cual es la probabilidad
que salga 3?
2. Si en una urna hay 6 bolas rojas; 4 blancas y 5
azules. Si se extrae un al azar. ¿Cuál es la
probabilidad de obtener una bola roja o
blanca?
3. ¿Cual es la probabilidad de obtener As ó
Corazón en una baraja de 52 cartas?
4. ¿Calcular la probabilidad de extraer 2 veces
cara en el lanzamiento de una moneda?
5. En una caja hay 8 bolas rojas, 3 blancas y 2
azules, si se extraen 3 al azar, determinar la
probabilidad de que:
a) Los 3 sean rojos
b) Los 3 sean blancos
5. Se lanza un par de dados y la suma de a+b=6.
Hallar la probabilidad de que uno sea 2.
PROBABILIDAD Y ESTADISTICA

VARIABLES ALEATORIAS.
Introducción
Normalmente, los resultados posibles (espacio muestral E) de un
experimento aleatorio no son valores numéricos. Por ejemplo, si el
experimento consiste en lanzar de modo ordenado tres monedas al aire,
para observar el número de caras (C) y cruces (R) que se obtienen, el
espacio muestral asociado a dicho experimento aleatorio seria:
E = {CCC, CCR, CRC, CRR, RCC, RCR, RRC, RRR}
En estadística resulta mas fácil utilizar valores numéricos en lugar de
trabajar directamente con los elementos de un espacio muestral como el
anterior. Así preferimos identificar los sucesos {CRR, RCR, RRC} con el
valor numérico 1 que representa el numero de caras obtenidas al realizar
el experimento. De este modo aparece el concepto de variable aleatoria
unidimensional como el de toda función que atribuye un único numero
real x e, a cada suceso elemental e, del espacio muestral E.
X :E  R
e  X (e)  xe
 Por ejemplo, en el ejemplo anterior, se define la variable aleatoria (v.a.
en adelante) X: número de caras del siguiente modo:
X : E R
X (CCC)  3
X (CCR)  X (CRC)  X ( RCC)  2
X (CRR)  X ( RCR)  X ( RRC)  1
X ( RRR)  0

•En función de los valores que tome la variable, esta puede ser clasificada
en discreta o continua del siguiente modo:
•v.a. discreta es aquella que solo puede tomar un número finito o infinito
numerable de valores. Por ejemplo, X : E  IN
•v.a. continua es la que puede tomar un número infinito no numerable de
valores. X : E  IR
•Vamos a estudiar los conceptos más importantes relacionados con la
distribución de probabilidad de una v.a., diferenciando entre los casos de
v.a. discreta y v.a. continua.
Variables aleatorias discretas
•Dada una v.a. discreta X : E  IN, su función de probabilidad f, se define de
modo que f(x i) es la probabilidad de que X tome ese valor:

f : N  [0,1]
f ( xi )  P[ X  xi ]  P[e / X (e)]  xi
•Si xi no es uno de los valores que puede tomar X, entonces f(xi) = 0. La
representación gráfica de la función de probabilidad se realiza mediante un
diagrama de barras análogo al de distribución de frecuencias relativas para
variables discretas.

•Por ejemplo, si retomamos el caso del lanzamiento de

3 monedas de forma que cada una de ellas tenga probabilidad 1/2 de dar
como resultado cara o cruz, se tiene que :
1 1 1 1
f (3)  P[ X  3]  P[{CCC}]  * * 
2 2 2 8
1 1 1 3
f (2)  P[ X  2]  P[{CCR, CRC, RCC}]    
8 8 8 8
f (1)  ...
f (0)  ...
Definición de función de probabilidad de v.a. discreta.
Sea X una variable aleatoria discreta, con cada resultado posible xi
asociamos un número

f xi   PX  xi  llamado probabilidad de xi

Que debe cumplir las siguientes propiedades:

1) f xi   0, i

.
2)  f (x )  1
1
i

Xi x1 x2 x3 ….. xn

f(xi)=P(xi P(x1) P(x2) P(x3) ….. P(xn)

)
Otro concepto importante es el de función de distribución de una
variable aleatoria discreta, F, que se define de modo que si xi es IR, F(xi) es
igual a la probabilidad de que X tome un valor inferior o igual a xi:

F : R  [0,1]
F ( x1 )  P[ X  xi ]  P[e / X (e)  xi ]
Esta función se representa gr´aficamente del mismo modo que la
distribución de frecuencias relativas acumuladas .
Volviendo al ejemplo de las tres monedas, se tiene que:
1
F (0)  P[ X  0]  P[ x  0]  f (0) 
8
1 3 4
F (1)  P[ X  1]  f (0)  f (1)   
8 8 8
F (2)  ..... F (3)  ....
F (4)  .... F (17)  ....
F (1)  .....
DEFINICION DE LA FUNCION DE DISTRIBUCION DEL EJEMPLO DE LAS
TRES MONEDAS.

0 si x0
1
 8 si 0  x 1


F ( x)   4 si 1 x  2
8

7 8 si 2 x3


1 si x3
 Variable aleatoria continua.
•Es aquella que puede tomar infinitos valores dentro de un intervalo de la
recta real.

•Por ejemplo, la duración de las bombillas de una determinada marca y

modelo.

En el caso de variables aleatorias continuas no tiene sentido plantearse

probabilidades de resultados aislados, por ejemplo, probabilidad de que una
bombilla dure 100,34343434…. horas. La probabilidad sería 0.

•El interés de estas probabilidades está en conocer la probabilidad

correspondiente a un intervalo. Dicha probabilidad se conoce mediante una
curva llamada función de densidad y suponiendo que bajo dicha curva hay un
área de una unidad.

•Conociendo esta curva, basta calcular el área correspondiente para conocer

la probabilidad de un intervalo cualquiera.
De este modo es necesario introducir un nuevo concepto que sustituya
en v.a. continuas, al de función de probabilidad de una v.a. discreta. Este
concepto es el de función de densidad de una v.a. continua, que se
define como una función f : IR  IR integrable, que verifica las dos
propiedades siguientes:

1) f ( x)  0

2) 

f ( x) dx  1
y que además verifica que dado a < b, se tiene que


b
P[a  x  b]  f ( x)dx
a
La función de distribución de la v.a. continua, F, se define de modo que
dado x real, F(x) es la probabilidad de que X sea menor o igual que x, es
decir
F : R  [0,1]


x
F ( x)  P[ X  x]  f (u )du

 EJEMPLO:

La función de densidad de una v.a. continua viene definida por :

2 x si 0  x  1 a)Halla la función de distribución.

f ( x)   b)Calcula la media y la varianza.
0 en el resto
Solución:
a) La función de distribución se obtiene integrando la función de densidad, es decir,
A la izquierda de 0, su valor 0.
A la derecha de 1, su valor es 1
Entre 0 y 1: b)

F ( x)  p( X  x)   2 xdx  x
x

0

2 x
0  x2
   x. f ( x).dx   x.2 x.dx 
b 1 2
a 0 3
0 si x  0 Cálculo de la varianza:

F ( x)  x 2 si 0  x  1 4 1
 2   x 2 f ( x)dx   2   x 2 .2 x.dx 
b 1

1 para x  1 a 0 9 18

GRAFICOS DE FUNCIONES DE PROBABILIDAD Y FUNCIONES
DE DISTRIBUCION PARA V.A. DISCRETAS Y CONTINUAS.
Media y varianza de una v.a. continua.
Existe cierta correspondencia entre la variable aleatoria discreta y la continua:

 n xi  E[ X ]2 f ( xi )
Var[ X ]  E[( X  E[ X ]) ]  
n
E[ X ]   xi f ( xi )
2
; X : disc
1  i 1


E[ X ]   x f ( x) dx Var[ X ]  E[( X  E[ X ]) 2 ]  .......


Variable aleatoria discreta Variableleatoria continua

   xi . p i    x. f ( x).dx
b

 2   xi2 pi   2    x 2 f ( x)dx   2
b
2
a
 PROPIEDADES DE LA ESPERANZA MATEMATICA
PROP.1: Si X=c (constante), entones E(X)=c
PROP.2: Si Y=X+c, entonces E(Y) = E(x)+c
PROP 3: Si Y=c X, entonces E(Y) =c E(x)
PROP 4: Si Y=X1+X2+. . .+Xn, entonces E(Y)= E(X1)+E(X2)+. . . +E(Xn)
PROP 5: Si Y=X1 X2 y ambas variables son idependientes, entonces
E(Y)= E(X1) E(X2).

PROPIEDADES DE LA VARIANZA.
PROP.1: Si X=c, entonces V(X)=0
PROP.2: Si Y=X+c , entonces V(Y)= V(X)
PROP.3: Si Y=c X, entonces V(Y)= c2 V(X)
PROP.4: Si Y=X1+X2 y ambas son independientes, entonces V(Y) =
V(X1)+V(X2)
 EJEMPLO:

Una compañía de refrescos anuncia premios en las

chapas asegurando que cada mil chapas hay 500 con “
inténtelo otra vez” , 300 con premio de 50 pesos , 150 con
premios de 100 pesos, 40 con premios de 500 pesos, y
10 con premios de 1000 pesos. Un individuo compra una
botella cuyo costo es de 100 pesos. Caracterizar su
ganancia mediante una variable aleatoria. ¿Es razonable
su decisión? Calcular su probabilidad de perder dinero
SOLUCION:
 DESIGUALDAD DE CHEBYSHEV

TEOREMA: Sea X una variable aleatoria con E(X)=μ y sea k

un número real cualquiera mayor o igual a uno, entonces

P( X    k  )  1 o
k2
P( X   k  ) 1  1 2
k
Esta segunda desigualdad, podemos leerla como: dado un
número k mayor o igual a 1 y un conjunto n de observaciones, al
menos 1-1/k2 % de las observaciones caen dentro de k
desviaciones estándares de la media.
DISTRIBUCIÓN DE PROBABILIDADES
DE UNA VARIABLE ALEATORIA
DISCRETA Y CONTINUA

Docente. Wankel Gonzales Olivera

DEFINICIÓN DE VARIABLE ALEATORIA

Es aquella que asume diferentes

valores a consecuencia de los
resultados posibles de un
experimento aleatorio (obedece a la
función que se le asigna).
 Ejemplo 01
Supongamos que se lanza dos monedas y
ordenamos a “X”, obtener el número de caras
que aparece. Determinar la variable aleatoria
Resolución
Espacio muestral S={cc,cs,sc,ss}
Donde X ={0,1,2}
 Ejemplo 02
• Si la variable aleatoria asume los valores 0, 1 ,
2 con una probabilidad de ocurrencia de ¼,
2/4, ¼ represente gráficamente.
• Resolución
X 0 1 2 2/4
P(x) 1/4 2/4 1/4

1/4

• 0 1 2
 Ejemplo 03
• En una clínica la atención del cáncer mamario
se registro en un día cualquiera. Distribuir la
probabilidad entre el numero de pacientes y el
numero de días que se atendió.
# pacientes # días de atención
100 5
101 1
102 8
103 2
104 8
105 10
106 6
107 4
 Resolución
• Se determinara la variable aleatoria y la
frecuencia absoluta, para así determinar la
probabilidad
x f f/n
100 5 5/44
101 1 1/44
102 8 8/44
103 2 2/44
104 8 8/44
105 10 10/44
106 6 6/44
107 4 4/44
n=44 1
 VARIABLE ALEATORIA DISCRETA
Es variable aleatoria es discreta si
puede asumir solo ciertos valores,
con frecuencia números enteros y
resulta principalmente del conteo.
Ejemplo:
El numero de caras en el lanzamiento
de una moneda.
DISTRIBUCIÓN DE PROBABILIDAD DE
UNA VARIABLE ALEATORIA DISCRETA
La distribución de probabilidad de
una variable aleatoria discreta es una
tabla, grafica o formula que
especifica todos los valores posibles
de una variable aleatoria discreta
junto con sus respectivas
probabilidades.
• La probabilidad de que la variable aleatoria
discreta X tome algún valor especifico “xi”, se
escribe como:
P(xi)=P(X=xi) y se llama función probabilidad.
A la colección de pares (xi;P(xi)) es llamada
distribución probabilidad.
Propiedades
a) 0≤P(X=xi) ≤1
b) ∑ P(X=xi)=1
 VALOR ESPERADO O ESPERANZA
MATEMATICA
Es la sumatoria del producto de las variables
aleatoria y la probabilidad, conocido como el
nombre de promedio.

E(x)=∑x.p(x)
 VARIANZA
• Es la dispersión que existe con respecto a la
media aritmética, cuya formula es:

2
V ( x)   x . p( x)  ( x. p( x)) 2

O
V ( x)   ( xi  u ) 2 P( xi )

 

 DESVIACIÓN ESTANDAR
Se llama desviación estándar de una variable
aleatoria X a la raíz cuadrada positiva de la
varianza, es decir:

D.E( x)   x 2. p( x)  ( x. p( x))2
 Ejemplo 01
Hallar la esperanza matemática, varianza y
desviación estándar de lanzar una moneda
tres veces y observar el numero de caras
Resolución
1) El espacio muestral es el conjunto dde
posibles resultados
S={ccc, ccs, csc, css, scc, scs, ssc, sss}
2) El recorrido es X={0,1,2,3} (variable
aleatoria)
3) Ordenamos en una tabla de la siguiente
manera:

x 0 1 2 3 ∑

P(x) 1/8 3/8 3/8 1/8

x. P(x) 0 3/8 6/8 3/8 1.5

x2 0 1 4 9

x2.P(x) 0 3/8 12/8 9/8 3

Por lo tanto
Esperanza matemática o promedio es:
E(x)= 1.5
Varianza
V(x)= 3-(1.5)al cuadrado= 0,75
Desviación Estándar
DE(x)=Raiz de 0,75=0,8660
 VARIABLE ALEATORIA CONTINUA
Una variable aleatoria es continua si
resulta principalmente de la medición y
puede tomar cualquier valor, al menos
dentro de un rango de números reales.
Ejemplo:
Las estaturas de los clientes de una
tienda de ropa.
DISTRIBUCIÓN DE PROBABILIDAD DE
UNA VARIABLE ALEATORIA CONTINUA
La función densidad de probabilidad f(x)
permite describir la distribución de
probabilidad de una variable aleatoria
continua X.
Una función densidad cumple las siguientes
condiciones:
a) f(x)≥0 para todo xЄ Rx (Rango de X)
b) P(a≤X ≤b)= Rx f (x)dx = 1
c) P(a≤X ≤b)= ab f ( x)dx
 Ejemplo 01
• La distribución de probabilidad para un
experimento de lanzar un dado se muestra en
las dos primeras columnas
xi P(xi) xi.P(xi) xi2.P(xi)
1 1/6
2 1/6
3 1/6
4 1/6
5 1/6
6 1/6
Donde
Promedio=
Varianza =
Desviación Estándar ( Raíz cuadrada de
varianza) =
 Ejercicio
Hallar la esperanza matemática de E|x-u|2 de la
siguiente tabla adjunta.
(u= promedio de x)
X 8 12 16 20 24
P(x) 1/8 1/6 3/8 1/4 1/12
DISTRIBUCIÓN
BINOMIAL

Mg. Wankel Gonzales Olivera

 INTRODUCCIÓN
El experimento de lanzar una moneda,
discutido anteriormente, tiene solo dos
posibles resultados ser cara o sello. La
probabilidad de cada uno es conocida y
constante en un intento al siguiente, y además
el experimento puede repetirse muchas veces.
Los experimentos de este tipo siguen una
distribución binomial con las características de
un proceso de Bernoulli.
 PROCESO DE BERNOULLI
Este proceso debe tener las siguientes propiedades:
a) Solo debe saber dos posibles resultados. Uno se
identifica como éxito y el otro como fracaso.
b) La probabilidad de un éxito representada por n,
sigue siendo constante de un ensayo al
siguiente, al igual que lo hace la probabilidad de
fracaso.
c) Los ensayos o intentos repetidos son
independientes.
d) El experimento puede repetirse n veces
 DISTRIBUCIÓN BINOMIAL
El numero x de éxitos de un proceso Bernoulli, se
llama variable aleatoria binomial.
La distribución de probabilidad de esta variable
aleatoria discreta se llama distribución binomial,
dada por P(x).
Si se conoce la probabilidad que un ensayo
determinado producirá un éxito, entonces es
posible determinar la probabilidad de cuantos
éxitos habrá, en un numero dado de ensayos, es
decir P(x)={“x éxitos en n ensayos”}
 FORMULA
𝑛!
𝑃 𝑥 =𝑃 𝑋=𝑥 = 𝜋 𝑥 (1 − 𝜋)𝑛−𝑥
𝑥! 𝑛 − 𝑥 !

Donde
X: Es el numero de éxitos, x=0,1,2,3,4….,n
N: número de ensayos
π: probabilidad del éxito
1- π: probabilidad de fracaso
 Ejemplo 01
Un gerente de crédito de una tarjeta de
crédito ha descubierto que n=10% de los
usuarios de tarjeta no paga el monto
completo de la deuda durante un mes dado. El
desea determinar la probabilidad que de n=20
cuentas seleccionadas de manera aleatoria,
x=5 de las cuentas no sean pagadas.
 RESOLUCIÓN
Se puede expresar como:
P(X=5 /n=20 , π =0.10) lo cual indica la probabilidad de 5
éxitos dado que hay 20 ensayos y la probabilidad de un
éxito de cualquier ensayo es de 10%.
20!
𝑃(𝑥 = 5) = 0.105 (1 − 0.10)20−5 = 0.0319
5! 20 − 5 !

Por lo tanto hay un 3.19% de oportunidad de que

exactamente 5 de 20 cuentas seleccionadas de manera
aleatoria tengan un saldo de favor, dado que la
probabilidad de que no se de pague una cuenta cualquiera
en su totalidad es π=0.10
 Ejemplo 02
De acuerdo con el periodo de educación
superior, el 40% de todos lo bachilleres
trabajan durante el verano para ganar dinero y
así pagar la educación universitaria
correspondiente al siguiente periodo de
otoño. Si 7 bachilleres se seleccionan de
manera aleatoria. ¿Cuál es la probabilidad de
que a) 5 tengan trabajo de verano, b) ninguno
trabaje, c) todos trabajen?
 RESOLUCIÓN
a) Si n=7 , π=0,40, x=5 será:
7!
𝑃(𝑥 = 5) = 0.405 (1 − 0.40)7−5 = 0.0774
5! 7 − 5 !
Existe un 7,74% de probabilidad de que 5 de 7 bachilleres hayan
trabajado en verano para pagar su educación universitaria.
b)Si n=7 , π=0,40 x=0, la probabilidad de que ninguno trabaje es
0,0280
7!
𝑃(𝑥 = 0) = 0.400 (1 − 0.40)7−0 = 0.0280
0! 7 − 0 !

c) Si n=7, π=0,40 , n=7, la probabilidad de que todos trabajen es

0,0016
7!
𝑃(𝑥 = 7) = 7(1 − 0.40)7−7 = 0.0016
7! 7 − 7 !
 LA MEDIA Y LA VARIANZA DE UN
DISTRIBUCIÓN BINOMIAL
Media de una Distribución Binomial
E(X)=u=n π

Varianza de una Distribución Binomial

 Ejemplo
Para los residentes de la ciudad con sus
computadoras enlazadas a internet, si n=10 y
π=0.70 . Calcular: media, varianza y desviación
estándar.
La media seria: E(x)= 10x0.70=7
La Varianza seria = 10x0.70(1-0.70)=2.1
Cuya desviación estándar seria: raíz de 2.1=1.45
 Ejemplo de Distribución Binomial
Acumulada
De acuerdo con el periodo de educación
superior, el 40% de todos lo bachilleres
trabajan durante el verano para ganar dinero y
así pagar la educación universitaria
correspondiente al siguiente periodo de
otoño. Si 7 bachilleres se seleccionan de
manera aleatoria. Determinar la probabilidad
de que 3 o menos estudiantes trabajen.
 Resolución
• Este problema implica una distribución binomial
acumulada debido a que interesa un rango de valores
de 0 a 3 en lugar de un solo numero especifico.
• Es decir:
• P(x≤3)=P(x≤3/n=7, π=0.40 )=P(x=0)+P(x=1)+ P(x=2)+ P(x=3)
• P(x=0)= 7!
0! 7 − 0 !
0.400 (1 − 0.40)7−0 = 0.0280

7!
• P(x=1)= 1! 7 − 1 ! 0.40 (1 − 0.40) = 0.1306
1 7−1

• P(x=2)= 2! 7 − 2 ! 0.40 (1 − 0.40) = 0.2613

7! 2 7−2

• P(x=3)=
7! 3 7−3
0.40 (1 − 0.40) = 0.2903
3! 7 − 3 !

• P(x≤3)=0.0280+0.1306+0.2613+0.2903=0.7102
DISTRIBUCIÓN DE
POISSON

Mg. Wankel Gonzales Olivera

 INTRODUCCIÓN
Una variable discreta de gran utilidad en la medición de
frecuencia relativa de un evento sobre alguna unidad de
tiempo o espacio es la distribución de Poisson.
Con frecuencia se utiliza para describir:
. El numero de llegadas de clientes por hora.
. El numero de accidentes industriales cada mes.
. El numero de conexiones eléctricas defectuosas por milla de
cableado.
. El número de errores de mecanografía por pagina.
El experimentos que resultan en valores numéricos de una
variable aleatoria X, que representa el numero de
resultados o eventos en un intervalo de tiempo o espacio,
se llama experimentos de Poisson.
 PROCESO DE POISSON
Un experimento de Poisson surge del proceso
de Poisson y tiene las siguientes propiedades:
a) La probabilidad de ocurrencia del evento es
constante para dos intervalos cualesquiera de
tiempo o espacio y proporcional al intervalo.
b) La ocurrencia del evento en un intervalo de
tiempo o espacio es independiente de la
ocurrencia de otro intervalo de tiempo o
espacio cualesquiera.
 DISTRIBUCIÓN DE POISSON
La distribución de Poisson mide la probabilidad
de un evento aleatorio sobre algún intervalo
de tiempo o espacio.
El numero X de resultados que ocurren en un
experimento de Poisson se llama variable
aleatoria de Poisson, y su distribución de
probabilidad recibe el nombre de distribución
de Poisson y esta dada por P(x).
 FORMULA: Función Probabilidad
𝑢 𝑥 . 𝑒 −𝑢
𝑃 𝑥 =
𝑥!

Donde :
x: número de veces que ocurre un evento
u: es el número promedio de ocurrencias por
unidad de tiempo o de espacio, o tasa promedio
de llegada o tasa de arribo.
e: 2.71828 base del logaritmo natural
 Ejemplo 01
Supongamos que se esta interesado en la
probabilidad de que exactamente 5 clientes
lleguen durante la siguiente hora ( o en
cualquier hora dada) laboral. La observación
simple de las ultimas 80 horas ha demostrado
que 800 clientes han entrado al negocio.
 SOLUCIÓN
• u=800 clientes / 80 horas = 10 clientes por 1 hora
• Nos piden : P(5) = P(x=5clientes por 1 hora/ u=10
clientes por una hora) 5 −10
10 .2.71828
𝑃 5 = 𝑃 𝑥 = 5/𝑢 = 10 = 5!
=0.0378

• Por lo tanto existe 3.78% de oportunidad de que

exactamente 5 clientes ingresen a la tienda
durante la siguiente hora o en cualquier hora.
 Ejemplo 02
Una compañía de pavimentación obtuvo un
contrato con la municipalidad para hacer
mantenimiento a las vías de un centro urbano.
Las vías recientemente pavimentadas por esta
compañía demostraron un promedio de dos
defectos por kilometro, después de haber sido
utilizado durante un año. Si el distrito sigue con
esta compañía de pavimentación, ¿Cuál es la
probabilidad de que se presenten tres defectos
en cualquier kilometro de vía después de haber
tenido trafico durante un año?
 SOLUCIÓN
𝑃 3 = 𝑃 𝑥 = 3 𝑑𝑒𝑓𝑒𝑐𝑡𝑜𝑠 𝑝𝑜𝑟 𝑢𝑛 𝑘𝑚/𝑢 = 2𝑑𝑒𝑓𝑒𝑐𝑡𝑜 𝑝𝑜𝑟 𝑢𝑛 𝑘𝑚
23 .(2.71828 )−2
𝑃 𝑥 = 3 / 𝑢 = 2) = 3!
=0.1804

• Por lo tanto existe 18.04% de oportunidad de

que exactamente 3 defectos aparezcan en el
siguiente o cualquier kilometro de
pavimentación.
 Ejercicio Propuesto 01
• Obtenga la probabilidad de encontrar 4
artículos defectuosos de una muestra de 300,
en el que se dice que hay un 2% de artículos
defectuosos.
 Ejercicio Propuesto 02
• Después de revisar 50 paginas de un libro, se
encuentra que hay un promedio de 2 errores
en cada 5 paginas. Hallar la cantidad de
paginas con 0,1,2,3,4 errores en 100 paginas.
 Ejercicio Propuesto 03
• Un oficial del ejercito registro el numero de
muertes que ocurren por patadas de caballos
en 10 cuerpos de caballería durante 20 años
tal como indica la tabla, determine sus
probabilidades
# muertos 0 1 2 3 4 5
observo 109 65 22 3 1 0
•
 Ejercicio Propuesto 04
• Supóngase que 600 erratas (lista de errores)
están distribuidas al azar en una tesis de
graduación de 500 paginas. ¿Cuál es la
probabilidad de que en una pagina contenga 5
errores?