INSTITUTO TECNOLGICO SUPERIOR DE MISANTLA

CURSO PROPEDEUTICO PARA EL INGRESO A LA

MAESTRA EN INGENIERA INDUSTRIAL

PROBABILIDAD Y
ESTADISTICA
PRINCIPIOS DE PROBABILIDAD
Mtro. Isidro R. Montoro
irodrguezm@itsm.edu.mx

PARTE I
PRINCIPIOS DE PROBABILIDAD

Mtro. Isidro R. Montoro

irodrguezm@itsm.edu.mx

PROBABILIDAD

Enfoques de la
probabilidad

Reglas de la
probabilidad

rboles de
probabilidad

Frecuencia
relativa

Regla de la
suma

Subjetivo

Regla de la
multiplicacin

Clsico

Teorema de
Bayes

Probabilidad
condicional

Tcnicas
combinatorias

Permutaciones

Combinaciones

1. FUNDAMENTOS DE PROBABILIDAD
1.1 Conceptos bsicos y campo de
aplicacin de la probabilidad
1.1.1 El concepto de incertidumbre
Tiempo t para
gestar un ser
humano

t=?
Figura 1.1 Proceso con incertidumbre

El proceso natural de gestacin de un ser humano es determinstico:

conocemos sus causas, evolucin y resultado principal (el nacimiento de
un beb). Sin embargo, existe incertidumbre respecto a varios aspectos
de este resultado. Por ejemplo no existe un modelo matemtico que
permita determinar en forma exacta el instante t en que ha de nacer un
beb. Lo nico que se conoce empricamente respecto a este tiempo es
que tiene un valor promedio de 9 meses (38 semanas)., por lo cual, las
observaciones pueden ser mayores o menores a este dato. As t se
considera aleatorio.

Tiempo t en
segundos para
gestar para la
cada de un
objeto desde h
metros
Figura 1.2 Proceso sin incertidumbre

El trmino incertidumbre se refiere a aquella situacin en la cual no se tiene

completo conocimiento sobre un proceso dado. La falta de conocimiento puede
referirse a la descripcin del proceso, sus causas o sus resultados.
Lo opuesto a incertidumbre se denomina certidumbre o determinismo
1

El tiempo para que se geste un ser humano: tiene incertidumbre ya

que no existe una ecuacin o conjunto de ecuaciones que permitan
establecer en forma exacta este valor.

El tiempo para cada libre de un objeto: es determinstico y se

obtiene de las leyes de movimiento establecidas por Isaac Newton.

La incertidumbre aparece por:

1

La incapacidad para explicar el proceso (falta de conocimiento)

La incapacidad para modelar o representar el proceso (por

ignorancia, alta complejidad del proceso, limitacin de las
herramientas matemticas y computacionales.

La incapacidad para medir u observar en forma precisa el proceso

bajo estudio

Ntese que la incertidumbre se refiere al analista no al proceso

Taxonoma de la incertidumbre
Nivel de
compljidad

Tipo de
incertidumbre

Determinismo

Aleatoridad

Vaguedad e
imprecisin

Ambigedad

Confusin

Descripcin
Completo conocimiento del proceso bajo estudio
Se conocen los posible resultados del proceso bajo estudio pero no sus causas,
o, aunque se conocen las causas y los resultados, no es capaz de establecer una
descripcin determinstica del proceso.
Incapacidad para definir en forma clara o precisa una clasificacin de las
observaciones para las causas o resultados. En trminos lingisticos se
denomina vaguedad y enterminos numricos impresin.
Aunque existe una clasificacin de las caausas y resultados se es incapaz de
asignar algunas observaciones a ellas (no especificidad)
Rene caractersticas de vaguedad y ambigedad.

Mediante el anlisis probabilstico se estudian procesos donde

existen incertidumbre en forma de aleatoriedad. Las otras formas de
incertidumbre se estudian mediante la lgica difusa, teora de las
posibilidades y la teora de la evidencia.

La lgica difusa Surgi como una herramienta importante para el

control de sistemas y procesos industriales complejos, as como
tambin para la electrnica de entretenimiento, sistemas de
diagnsticos y otros sistemas expertos.

EJEMPLO
Entrada

Proceso
Observar o
medir las
personas

Salida

Alto
Medio
Bajo

Resultados: Alto, Medio, Bajo

Figura Anlisis de las estatura de un grupo de personas

El proceso bajo estudio es observar o medir la estatura de las

personas que asisten a un saln de clase.

Determinismo:

existe una definicin perfecta de los resultados

Bajo<1.50m
1.50m<medio<1.70m
Alto>1.70mc

Aleatoriedad:

Requiere una perfecta definicin de los resultados

(Qu es Alto, Medio, y Bajo), pero la incertidumbre
est en cmo se darn estos resultados: con qu
frecuencia llega una persona alta?

Vaguedad e imprecisin: Cules valores pertenecen a cada categora lingstica (Alto, Medio, Bajo)? Una persona con
una estatura de 1.49 es Baja o Media?

Ambigedad:

1.70m es una estatura media o alta?

Confusin:

No se sabe si es un resultado alto o medio o

qu es alto o medio

AZAR Y ALEATORIEDAD
El trmino azar se refiere a la ausencia de causa o explicacin
Se aplica a:
1

Aquella situacin en la cual no se conocen las causas que producen un evento dado

Aquella situacin en la cual, auque se conocen las causas que producen un evento dado,
no puede explicarse ms que por intervencin del azar.
El trmino aleatoriedad se refiere a aquella situacin en la cual la ocurrencia de un
evento dado no puede explicarse ms que por intervencin del azar.

Otro sinnimo para aleatorio es el trmino estocstico

El trmino aleatorio se refiere a algo carente de

causa u orden o que es impredecible.
Se dice que un proceso es aleatorio cuando:
1

No se conocen las causas que lo producen

Aunque se conozcan las causas y los resultados no es capaz de establecer una ley o
relacin determinstica permanente entre ellos.

La secuencia de resultados no puede condensarse en una ecuacin o descripcin

Existe duda sobre la veracidad de una afirmacin o negacin

La incertidumbre se refiere a la persona que anliza el proceso no al proceso en s;

entonces, es la falta de conocimiento del ser humano la que hace que algunos procesos
deban considerarse aleatorios.

POSIBILIDAD Y PROBABILIDAD
El trmino posibilidad se refiere al conocimiento o creencia de que un evento dado
puede existir u ocurrir.

Otro sinnimo para posible es el trmino plausible

Grado de posibilidad

Probabilidad

El trmino probabilidad define matemticamente el grado de certidumbre

sobre la ocurrencia de un evento o eventos.

0.0

0.1

Total incertidumbre
sobre la ocurrencia
del evento

Total certidumbre
sobre la ocurrencia
del evento

Todo esfuerzo tendente a disminuir el nivel de incertidumbre en el proceso de

toma de decisiones incrementar la posibilidad de tomar decisiones ms
inteligentes y mejor informadas.
Nuestro objetivo ser explicar los mtodos con los que se puede medir la
verosimilitud o posibilidad de sucesos inciertos.
Probabilidad. Posibilidad de ocurrencia de un evento futuro.
Probabilidad. Es la verosimilitud numrica, medida entre 0 y 1 de que
ocurra un suceso incierto. 0 P(X) 1

El concepto de Probabilidad es necesario cuando se opera con procesos

fsicos, biolgicos, qumicos, econmicos y sociales que generan
observaciones que no es factible predecir con exactitud.
El proceso que da lugar a un suceso se llama experimento.
Un experimento es toda accin bien definida que produce un
resultado nico y bien definido, denominado resultado.
Un experimento podra consistir en inspeccionar un
producto para determinar si cumple determinadas
especificaciones de fabricacin. Los resultados posibles
son: 1) defectuosos o 2) no defectuosos

Un conjunto es una coleccin de objetos

El conjunto de todos los resultados posibles de un experimento es el

espacio muestral

P(suceso cierto) = 1
P(suceso imposible)=0

Propiedades de la probabilidad
1. 0 P(Ei) 1
2. P(Ei) = 1

Frecuencia relativa

ENFOQUES DE LA

Clsico

PROBABILIDAD
Subjetivo
Enfoque de la frecuencia relativa
En el mtodo de la frecuencia relativa se utilizan datos obtenidos en observaciones empricas. Se tiene en cuenta la frecuencia con que ha ocurrido un suceso en

el pasado y se estima la probabilidad de que vuelva a ocurrir a partir de esos

datos histricos.

La probabilidad de un suceso de acuerdo con el enfoque de la frecuencia relativa

viene dada por:

Ejemplos: Supongamos que durante el ltimo ao natural hubo 50 nacimientos

en un hospital de la localidad. Treinta y dos de los recin nacidos fueron nias.
El enfoque de frecuencia relativa revela que la probabilidad de que el recin

nacido siguiente (o cualquier recin nacido tomado al azar) sea una nia es:

Cul es la probabilidad de que el recin nacido sea nio?

Actividad #4: Mencione dos ejemplos de este enfoque de probabilidad

Enfoque subjetivo
Este enfoque exige que asignemos la probabilidad de cualquier suceso
basndose en las mejores pruebas disponibles. El enfoque subjetivo se utiliza
para asignar una probabilidad a un suceso que no ha ocurrido nunca.

Un ejemplo podra ser la probabilidad de que una mujer sea elegida para
gobernar el Estado de Veracruz.
Actividad #4: Mencione dos ejemplos del enfoque subjetivo.

Enfoque clsico
El enfoque clsico es el que ms a menudo se relaciona con los juegos de azar.
La probabilidad clsica de un suceso E viene determinada por:

Enfoque clsico
La probabilidad clsica implica determinar a priori (antes del hecho) la probabilidad
de un suceso.
Ejemplos
1. La probabilidad de obtener sol de un solo lanzamiento al aire de una moneda
equilibrada es:

2. La probabilidad de sacar un 3 cuando se tira un dado de seis caras posibles

de un suceso es:

3. La probabilidad de sacar un as de una baraja de 52 cartas es:

Actividad #4: Mencione dos ejemplos del enfoque clsico.

Ejemplo 4. La probabilidad de ganar en el craps

El craps es un juego de azar en el que intervienen dos dados. Las
reglas de una de las versiones del juego establecen que se gana
inmediatamente si se saca craps que es un 7 o un 11, en la primera
tirada. Pero si se saca cualquier nmero distinto de craps hay que
volver a sacar ese mismo nmero (que se llama marca o punto) antes de
sacar 7 u 11. Si se saca 7 u 11 antes que la marca se pierde.
a) Cul es la probabilidad de ganar un juego de craps a la primera
tirada?
b) Si la marca es 6, qu es ms probable, ganar o perder?
El espacio muestral de todos los casos posibles
es la suma de los dos:

Resultados
del segundo
dado

1
2
3
4
5
6

1
2
3
4
5
6
7

2
3
4
5
6
7
8

Resultados del primer dado

3
4
4
5
5
6
6
7
7
8
8
9
9
10

5
6
7
8
9
10
11

6
7
8
9
10
11
12

Ejemplo 4. La probabilidad de ganar en el craps

a) Cul es la probabilidad de ganar un juego de craps a la primera
tirada?

Resultados
del segundo
dado

1
2
3
4
5
6

1
2
3
4
5
6
7

2
3
4
5
6
7
8

Resultados del primer dado

3
4
4
5
5
6
6
7
7
8
8
9
9
10

5
6
7
8
9
10
11

6
7
8
9
10
11
12

a) Hay 36 casos posibles. Slo 8 de ellos dan 7 u 11, que equivalen a

ganar.

b) Hay 36 casos posibles. Slo 5 de ellos dan 6, que equivalen a ganar el

juego.

Resultados
del segundo
dado

1
2
3
4
5
6

1
2
3
4
5
6
7

2
3
4
5
6
7
8

Resultados del primer dado

3
4
4
5
5
6
6
7
7
8
8
9
9
10

5
6
7
8
9
10
11

6
7
8
9
10
11
12

b) Si se saca un 6, la probabilidad de repetir el resultado es:

INTERPRETACIN: Como 8/36 es mayor que 5/36, es ms probable

perder porque se vuelve a sacar craps que ganar porque se saquen de
nuevo 6 puntos.

ACTIVIDAD 5
1. De 75 personas que solicitan un trabajo, 20 no son de bachillerato. Si se elige al
azar a una persona, a) Cul es la probabilidad de que no sea de bachillerato?
b) Qu enfoque de la probabilidad ha utilizado para contestar?
2. Qu enfoque utilizara para determinar la probabilidad de que se sequen los
embalses que suministran agua a toda la costa Oeste? por qu piensa que
sera este enfoque el adecuado?
3. En los ltimos das laborales, Ral ha estado enfermo 120 das, Cul es la
probabilidad de que ste enfermo hoy?

LA PRCTICA DE LAS APUESTAS CON VENTAJA

Si la ventaja de que ocurra un suceso se establece en A:B, la probabilidad de
ocurrencia es:

Si se estima que la ventaja de que un suceso E ocurra es 5 a 1, y se escribe 5:1,

la probabilidad de que ocurra se puede cifrar en:
La ventaja de que no suceda es 1:5, y la probabilidad de que ocurra es

RELACIONES ENTRE SUCESOS

SUCESOS MUTUAMENTE EXCLUYENTES. Son sucesos que no pueden ocurrir
al mismo tiempo.
Mencione un ejemplo de este suceso
SUCESOS EXHAUSTIVOS COLECTIVAMENTE.
El conjunto de todos los
resultados posibles de un experimento constituye el de los sucesos colectivamente
exhastivos.

Mencione un ejemplo de este suceso

SUCESOS INDEPENDIENTES. Dos sucesos son independientes si la ocurrencia
de uno de ellos no tiene ninguna influencia en que ocurra otro.
Mencione un ejemplo de este suceso

SUCESOS COMPLEMENTARIOS. Dos sucesos son complementarios si la no

aparicin de uno de ellos obliga a que ocurra el otro. Los sucesos complementarios
son colectivamente exhaustivos.
Mencione un ejemplo de este suceso

NOTACIN DE CONJUNTOS
Conceptos bsicos de la teora de conjuntos
Utilizaremos letras maysculas, A, B, C, . . . , Z para indicar los
conjuntos de puntos.
Los elementos de un conjunto dado lo denotaremos con letras
minsculas (no necesariamente deben ser letras), as por ejemplo,
los elementos de un conjunto A son a, b, c, d, e, escribiremos

A = {a, b, c, d, e}

1.2 TEORIA DE CONJUNTOS

UNIONES, INTERSECCIONES Y DIAGRAMA DE VENN
UNION
La unin de dos conjuntos A y B la denotaremos por A B y es el conjunto formado
por los elementos que pertenecen al menos a uno de ellos a los dos. Lo que se
denota por:
A B = { x/x A x B }
Mtodo de comprensin
DIAGRAMA DE VENN

Ejemplo: Sean los conjuntos A={ 1, 3, 5, 7, 9 } y B={ 10, 11, 12 }

A B ={ 1, 3, 5, 7, 9, 10, 11, 12 }

INTERSECCION

La INTERSECCIN de dos conjuntos A y B la denotaremos por A B y es el

conjunto formado por los elementos que estn en A y en B. Lo que se denota por:
A B = { x/x A y x B }
Y se lee el conjunto de elementos x que estn en A y estn en B.

DIAGRAMA DE VENN

AB

Ejemplo 1: Sean A={ 1, 2, 3, 4, 5, 6, 8, 9 } y B={ 2, 4, 8, 12 }

Los elementos comunes a los dos conjuntos son: { 2, 4, 8 }. A este conjunto se le
llama interseccin de A y B; y se denota por A B, algebraicamente se escribe
as:
A B = { x/x A y x B }
Ejemplo 2: Sean Q={ a, n, p, y, q, s, r, o, b, k } y P={ l, u, a, o, s, r, b, v, y, z }
Q P = { a, b, o, r, s, y }
CONJUNTOS AJENOS
S la interseccin de dos conjuntos es igual al conjunto vaco, entonces a estos
conjuntos les llamaremos conjuntos ajenos, es decir:
Si A B = entonces A y B son ajenos.
A y B son disjuntos

COMPLEMENTO
El complemento de un conjunto respecto al universo U es el conjunto de elementos
de U que no pertenecen a A y se denota como A' y que se representa por
comprehensin como: Ac={ x U/x y x A }

Ejemplo: Sea U = { 1, 2, 3, 4, 5, 6, 7, 8, 9 }

A= { 1, 3, 5, 7, 9 } donde A U

El complemento de A estar dado por: Ac= { 2, 4, 6, 8 }

DIFERENCIA
Sean A y B dos conjuntos. La diferencia de A y B se denota por A-B y es el conjunto
de los elementos de A que no estn en B y se representa por comprehensin como:
A - B=A\B={ x/x A ; X B }

B - A = B\A={ x/x B ; X A}

Ejemplo: Sea A= { a, b, c, d } y B= { a, b, c, g, h, i }
A B= { d }

B A = { g, h, i }

DIFERENCIA SIMTRICA
La diferencia simtrica de los conjuntos A y B representada por AB, consiste en
aquellos elementos que pertenecen a A o a B:, pero no a ambos. Es decir,

AB =(A\B)(B\A)

AB

Tabla 1.1 Leyes del Algebra de conjunto

Leyes de idempotencia
1a. A

1b. A

Leyes asociativas
2a. (ACC)

2b. (ACC)

Leyes conmutativas
3a. A

3b. A

Leyes distributivas
4a. AC)C)

4a. A(BC)=(AB)(AC)

Leyes de identidad
5a. A
6a. AU=U

5b. AU=A
6b. A

Leyes de involucin
7. (Ac)c = A

Leyes de complemento
8a. A U

8b. AA =

9a. U =

9b. U

Leyes de Morgan
10a. (AUB)c=AcBc

10a. (AB)c=AcUBc

REGLAS DE LA PROBABILIDAD
REGLA DE LA MULTIPLICACIN
Se utiliza para determinar la probabilidad conjunta de A y B equivalentemente
(AB).

Si se utiliza y multiplicamos

La regla de la multiplicacin establece que:

1. Si A y B son sucesos independientes, habremos de multiplicar la
probabilidad del suceso A por la probabilidad del suceso B.

P (AB)=P(A)P(B)

2. Si A y B son suceso dependientes, habremos de multiplicar la

probabilidad del suceso A por la probabilidad del suceso B siempre
que A haya ocurrido ya.
P (AB)=P(A)P(B|A)

REGLA DE LA SUMA
Se utiliza para determinar la probabilidad de A o B equivalentemente (AB)

Si se utiliza o sumamos
La regla de la suma establece que:

1. Si A y B son sucesos mutuamente excluyentes, habremos de

sumar la probabilidad del suceso A a la probabilidad del suceso B.
P(AB)=P(A)+P(B)

2. Si A y B son sucesos no mutuamente excluyentes, habremos de

sumar la probabilidad del suceso A a la probabilidad del suceso B
y restar la probabilidad conjunta de los sucesos A y B.

P(AB)=P(A)+P(B)P(AB).

OTRA REGLA DE LA SUMA QUE SE OCUPA A MENUDO ES LA SIGUIENTE:

P(A) + P(AC) = 1

PROBABILIDAD CONDICIONAL

Probabilidad de que un determinado suceso ocurra dado que, haya

ocurrido ya un suceso anterior. Por ejemplo que ocurra el suceso A dado
que haya ocurrido ya el suceso B.
NOTACIN:
P(A | B)
<<Probabilidad de A dado B>>
CLCULO:

P( A B)
P( A | B)
P( B)
NOTACIN:

P(B | A)
<<Probabilidad de B dado A>>

P( B A)
P( B | A)
P( A)

PROBABILIDAD CONDICIONAL Y CONJUNTA

Datos recogidos por la Sra. Elena directora de ventas del centro ptico E-Z-C. la seora
Elena anot el material y el tamao de las monturas de gafas de las 100 ltimas ventas.
Los resultados se muestran en la siguiente tabla.
La tabla consta de 9 celdas, tres en sentido horizontal para el material y tres en
sentido vertical para el tamao. Los totales de cada categora se muestran al final
de las filas y columnas.
Los valores al margen derecho indican los totales de cada tamao, y los valores
del margen inferior los totales de cada material.

Tamao
Grande
Medio
Pequeo
Total

Material de la montura
Plstico
Metal
Mixto

Total

12

25

23

31

55

6
41

6
45

8
14

20
100

A partir de una tabla de frecuencias se puede construir una tabla de probabilidades

El valor inscrito en una celda de una tabla de probabilidades es la probabilidad

conjunta (Tamao Material).

Material de la montura
Plstico Metal
Mixto

Tamao
Total
Grande 12/100=0.12 8/100=0.08 5/100=0.05 25/100=0.25
Medio 23/100=0.23 31/100=0.31 1/100=0.01 55/100=0.55
Pequeo 6/100=0.06 6/100=0.06 8/100=0.08 20/100=0.20
Total

41/100=0.41 45/100=0.45 14/100=0.14 100/100=1

Los valores del margen inferior y del margen derecho indican probabilidades
marginales

RBOLES DE PROBABILIDAD
Cuando se tiene que hallar las probabilidades de varios sucesos conjuntos,
suele ser til dibujar un rbol de probabilidades.

Un rbol de probabilidades o diagrama de rbol indica todas las

probabilidades asociadas a un conjunto completo de sucesos especficos.

Para tener una idea clara de cmo construir un diagrama de rbol manejemos el
siguiente ejemplo:
Paola tiene un pantaln y una falda para combinar con cuatro blusas de color (B,
V, A, R) y decide mostrarse en el espejo para ver que combinacin es la mejor:
B
V
A
Pantaln
R

Falda

B
V
A
R

Los diagramas de rboles son importantes por que nos ayudan a tomar
mejores decisiones en campos tan diversos como:

Produccin

Anlisis y Evaluacin de Proyectos de Inversin

Control de Calidad

Manufactura

Estudios de Mercado

etc.

A manera de ejemplo presentaremos a continuacin un ejemplo de

control de calidad.

Los departamentos de control de calidad en una empresa tienen la responsabilidad

de garantizar que sus productos cumplan determinadas especificaciones de
produccin. Ud. cmo encargado del departamento de calidad tiene la
responsabilidad de minimizar la produccin de piezas defectuosas de ensamble y
garantizar que los defectos no salgan de la factora. En la figura que presentamos a
continuacin se recoge un diagrama de rbol de una empresa que soporta un ndice
de defectos del 15%,. Es decir, el 15% de las unidades producidas en la fbrica no
cumplen las especificaciones mnimas. Entonces P(D)=0.15 y P(DC)=0.85. Se elige
al azar dos unidades de la lnea de montaje y se anota si hay alguna defectuosa.

Lnea de montaje
Se extrae la primera unidad

Se extrae la segunda unidad

D2=0.15

Suceso A
D1& D2=(0.15)(0.15)=0.0225

Suceso B

D1=0.15

D2

C =0.85

D2=0.15
D1C =0.85

D1& D2C =(0.15)(0.85)=0.1275

Suceso C
D1C & D2 =(0.85)(0.15)=0.1275

Suceso D

D2C =0.85

D1C & DC2 =(0.85)(0.85)=0.7275

OBSERVACIONES:

Los cuatro sucesos son colectivamente exhaustivos

El rbol anterior est destinado a sucesos independientes

Pero los rboles tambin son tiles si los sucesos so dependientes

EJEMPLO:
El diagrama de rbol del centro ptico de la Sra. Elena aparece en la
siguiente figura. Las probabilidades de los tamaos se toman de la
probabilidades marginales. Por ejemplo, la probabilidad de grande es
25/100. P(G)=25/100.

Tamao
Grande
Medio
Pequeo
Total

Material de la montura
Plstico Metal
Mixto

Total

12

25

23

31

55

6
41

6
45

8
14

20
100

Tamao

Material de la montura
Plstico Metal
Mixto

Tamao
Total
Grande 12/100=0.12 8/100=0.08 5/100=0.05 25/100=0.25
Medio
23/100=0.23 31/100=0.31 1/100=0.01 55/100=0.55
Pequeo 6/100=0.06 6/100=0.06 8/100=0.08 20/100=0.20
Total

41/100=0.41 45/100=0.45 14/100=0.14 100/100=1

Material
P=Plstico
W=Metal

L=Grande
M=Medio

C=Mixto
P=Plstico
W=Metal
C=Mixto
P=Plstico

S=Pequeo
W=Metal
C=Mixto

Tamao
Grande
Medio
Pequeo
Total

Material de la montura
Plstico Metal
Mixto

Total

12

25

23

31

55

6
41

6
45

8
14

20
100

Tamao

Material
P(P|L)=12/25

P(LP)=(25/100)x(12/25)=0.12

P(W|L)=8/25 P(LW)=(25/100)x(8/25)=0.08

L=Grande (0.25)

P(C|L)=5/25
P(P|M)=23/55

M=Medio (0.55)

S=Pequeo(0.20)

P(LC)=(25/100)x(5/25)=0.05
P(MP)=(55/100)x(23/55)=0.23

P(W|M)=31/55 P(MW)=(55/100)x(31/55)=0.31
P(C|M)=1/55

P(MC)=(55/100)x(1/55)=0.01

P(P|S)=6/20

P(SP)=(20/100)x(6/20)=0.06

P(W|S)=6/20 P(SW)=(20/100)x(6/20)=0.06

P(C|S)=8/20

Probabilidades

Probabilidades

marginales

condicionales

P(SC)=(20/100)x(8/20)=0.08

Probabilidades conjuntas

Tamao
Grande
Medio
Pequeo
Total

Material de la montura
Plstico Metal
Mixto

Total

12

25

23

31

55

6
41

6
45

8
14

20
100

Material

Tamao
P(L|P)=12/41

P(PL)=(41/100)x(12/41)=0.12

P(M|P)=23/41 P(PM)=(41/100)x(23/41)=0.23

P=Plstico (0.41)
P(S|P)=6/41
P(L|W)=8/45

W=Metal (0.45)

P(PS)=(41/100)x(6/41)=0.06
P(WL)=(45/100)x(8/45)=0.08

P(M|W)=31/45 P(WM)=(45/100)x(31/45)=0.31
P(S|W)=6/45
P(L|C)=5/14

C=Mixto(0.14)

P(WS)=(45/100)x(6/45)=0.06
P(CL)=(14/100)x(5/14)=0.05

P(M|C)=1/14 P(CM)=(14/100)x(1/14)=0.01

P(S|C)=8/14

Probabilidades

Probabilidades

marginales

condicionales

P(CS)=(14/100)x(8/14)=0.08

Probabilidades conjuntas

Tamao

Material

D
D

DC
DC

DC

1.- Se lanza un dado perfecto y se consideran los sucesos

A = obtencin de un nmero impar,
B = obtencin de un nmero par y
C = Obtencin de un 1 o un 2.
Son independientes los sucesos A y B?
Son independientes los sucesos A y C?
Solucin

Para ver si son independientes los sucesos A y B comprobaremos si P(A/B) = P(A).

Est claro que la probabilidad de obtener un nmero impar cuando ha ocurrido
un nmero par es cero, luego P(A/B) = 0. Por otro lado, la probabilidad de
obtener un nmero impar es . Tenemos entonces que P(A/B) P(A)
y los sucesos A y B no son independientes.
Para analizar la independencia de A y C comprobaremos si P(A/C) = P(A).
Observamos que P(A/C)=1/2 (esta claro que la probabilidad de
obtener un nmero impar cuando ha ocurrido un 1 es ), luego
ya tenemos comprobado que P(A/B) = P(A) = y por lo tanto
habr independencia entre A y B.

2.- Si P(A) = 1/3, P(B) = y P(AB) = 1/10, calcular las probabilidades siguientes:

a)
b)
c)
d)
e)
f)

P(A|B)
P(B|A)
P(A| AB)
P(AB|B)
P(AB / AB)
P(AC/B)

Solucin

P( A B) 1/10 2
P( A / B)

P( B)
1/ 4 5
P( A B) 1/10 3
P( B / A)

P( A)
1/ 3 10

P( A A B) P( A B)
P( A / A B)

1
P( A B)
P( A B)

P( A B B) P( A B) 1/10 2
P( A B / B)

P( B)
P( B)
1/ 4 5

P( A B / A B)

P(( A B) ( A B) P( A B)

1
P( A B)
P( A B)

P( A / B) 1 P( A / B) 1 2/5 3/5
C

3.- Se extrae aleatoriamente una carta de una baraja de 52 cartas

(4 palos de 13 cartas cada palo). Hallar la probabilidad de los
siguientes sucesos:
a. Extraer un as
b. Extraer una jota de corazones
c. Extraer el tres de trboles o el seis de diamantes
d. Extraer un corazn
e. Extraer cualquier palo excepto corazones
f. Extraer un diez o una pica
g. No extraer ni un cuarto ni un trbol
Solucin:

El espacio muestral para este suceso estar formado por todas las posibles
cartas de la baraja de 52 cartas. Sabemos que hay 4 palos
(T = trboles, D = diamantes, P = picas y C = corazones) con
13 cartas de cada palo (1, 2, 3, 4, 5, 6, 7, 8, 9, 10, jota, reina, rey).
El espacio muestral podr representarse por los 52 puntos siguientes:

ESPACIO MUESTRAL

T
D
P
C

10

Para cada suceso, la probabilidad ser el nmero de elementos del espacio

muestral relativo al suceso (casos favorables) dividido por el nmero total
de sucesos del espacio muestral (casos posibles).

a. El suceso extraccin de un as tiene los siguientes casos favorables:

T
D
P
C

10

Casosfavorables
N o de ases en la baraja
4 1
P(as)
o

Casosposibles N total de cartas en la baraja 52 13

b. El suceso extraccin de una jota de corazones tiene los siguientes

casos favorables:
T
D
P
C

10

Tendremos entonces lo siguiente:

Casosfavorables 1
P( JC )

Casosposibles
52

c. El suceso extraccin del tres de trboles o el seis de diamantes tiene los

siguientes casos favorables:

T
D
P
C

10

Tendremos entonces lo siguiente:

Casosfavorables 2
P(3T 6 D)

Casosposibles
52

d. El suceso extraccin de un corazn tiene los siguientes casos favorables:

T
D
P
C

10

Tendremos entonces lo siguiente:

Casosfavorables 13 1
P(C )

Casosposibles
52 4
e. El suceso extraccin de cualquier palo excepto corazones es el
complementario del anterior, luego la forma ms rpida de calcular su
probabilidad es la siguiente:

1 3
P(C ) 1
4 4
C

f. El suceso extraccin de un diez o una pica tiene los siguientes casos

favorables:

T
D
P
C

10

Tendremos entonces lo siguiente:

Casosfavorables 16 4
P(10 P)

Casosposibles
52 13

g. El suceso no extraer ni un cuatro ni un trbol es el complemento de

extraer un cuatro o un trbol, luego la forma ms rpida de calcular su
probabilidad es la siguiente:

P(4C T C ) P((4 T )C ) 1 P(4 T )

Casosfavorables
16 36 9
1
1

Casosposibles
52 52 13

4.- Una bola se extrae aleatoriamente de una caja que contiene 6 bolas rojas,
4 bolas blancas y 5 bola azules. Hallar la probabilidad de los siguientes sucesos:
Que la bola sea roja
Que la bola no sea azul
Que la bola sea roja o blanca
Que la bola no sea ni roja ni blanca
Podemos representar el espacio muestral de la forma siguiente:

R
B
A

R
B
A

R
B
A

R
B
A

R
A

El suceso extraccin de bola roja tiene los siguientes casos favorables

R
B
A

R
B
A

R
B
A

R
B
A

Tendremos entonces lo siguiente:

Casosfavorables No.debolasrojasenlacaja
P( R)

Casosposibles
No.totaldebolasenlacaja
6 2

15 5

El suceso que la bola no sea azul es el complementario de que la bola

sea azul, luego la forma ms rpida de calcular su probabilidad es la
siguiente:

Casosfavorables
5
1 2
P( A ) 1 P( A) 1
1 1
Casosposibles
15
3 3
C

El suceso extraccin de bola roja o blanca tiene los siguientes casos favorables

R
B
A

R
B
A

R
B
A

R
B
A

Tendremos entonces lo siguiente:

Casosfavorables 10 2
P( R B)

Casosposibles
15 3

El suceso que la bola no sea ni roja ni blanca es el complementario de

que la bola sea roja o blanca, luego la forma ms rpida de calcular su
probabilidad es la siguiente:

2 1
P( R B ) P(( R B) ) 1 P( R B) 1
3 3
C

TEOREMA DE BAYES Y PROBABILIDAD CONDICIONAL

La probabilidad a priori es la probabilidad estimada antes de que

ocurra el suceso, y puede variar despus de un anlisis posterior.
Las probabilidades a posteriori (posterior) son probabilidades
condicionales basada en informacin adicional.

Teorema de Bayes
Si los sucesos Ai son una particin y B un suceso tal que p(B) 0

Regla de la probabilidad total

Se llama particin a conjunto de sucesos Ai tales que

A1 A2 ... An = W y Ai Aj = i j
es decir un conjunto de sucesos mutuamente excluyentes y que cubren todo
el espacio muestral

Regla de la probabilidad total:

Si un conjunto de sucesos Ai forman una particin del
espacio muestral y p(Ai) 0 Ai, para cualquier otro
suceso B se cumple.

PROPIEDADES DE LA PROBABILIDAD
1) p(Ac) = 1 - p(A)
Ac representa el suceso complementario de A, es decir el formado
por todos los resultados que no estn en A.
2) A1 A2 p(A1) p(A2)
3) p() = 0
4) p(A) 1

5) p(A B) = p(A) + p(B) - p(A B) (Regla general de la adicin)

Ejemplo
Un 15% de los pacientes atendidos en un hospital son hipertensos,
un 10% son obesos y un 3% son hipertensos y obesos.
Qu probabilidad hay de que elegido un paciente al azar sea obeso o hipertenso?
A = {obeso} B = {hipertenso}
A B = {hipertenso y obeso}
A B = {obeso o hipertenso}
p(A) = 0,10; p(B) = 0,15; p(A B) = 0,03
p(A B) = 0,10 + 0,15 - 0,03 = 0,22

Ejemplo
La prevalencia de infarto cardaco para hipertensos es del 0,3%
y para no hipertensos del 0,1%. Si la prevalencia de hipertensin
en una cierta poblacin es del 25% Cul es la prevalencia del infarto
en esa poblacin?

A1 = {ser hipertenso} A2 = {no serlo}

estos sucesos constituyen una particin
B = {padecer infarto}
datos: p(B|A1) = 0,003; p(B|A2) = 0,001; p(A1) = 0,25
evidentemente p(A2) =0,75
p(B) = 0,003x0,25 + 0,001 x 0,75 = 0,0015

Teorema de Bayes
Si los sucesos Ai son una particin y B un suceso tal que p(B) 0

Diagnstico mdico (en general clasificaciones no biunvocas):

El diagnstico consiste en establecer la enfermedad de un paciente,
a partir de una serie de sntomas. Pero los sntomas y las enfermedades
no estn ligados de un modo biunvoco.
Llamemos Ei al conjunto de enfermedades
E1: tuberculosis pulmonar;
Ei

E2 :cncer de pulmn;
E3: bronquitis obstructiva; etc.

y Sj a los sntomas y sndromes asociados con las mismas.

S1: tos;
Sj

S2: estado febril;

S3: hemotisis; etc

La informacin accesible en los libros de patologa, o en un archivo de

historias clnicas es del tipo.

Para E1: algunos (digamos el 20%) tienen hemotisis;

muchos (80%) tienen tos; etc.
y lo mismo para las dems enfermedades.
En trminos de probabilidad condicionada, esta informacin es
p(S3|E1) = 0,2; p(S1|E1) = 0,8 etc.
Para diagnosticar la tuberculosis se ha de evaluar, para los sntomas que
presenta el paciente p(E1|Si) para lo que se puede usar el teorema de Bayes
si las enfermedades forman una particin (son mutuamente excluyentes
y se consideran todas las enfermedades compatibles con el sntoma) y
se conocen sus prevalencias.

Ntese que un mismo conjunto de sntomas podra dar lugar a un diagnstico

diferente en poblaciones en las que las prevalencias fueran diferentes.

Tres mquinas, A, B y C, producen el 45%, 30% y 25%, respectivamente,

del total de las piezas producidas en una fbrica. Los porcentajes de produccin
defectuosa de estas mquinas son del 3%, 4% y 5%.
a. Seleccionamos una pieza al azar; calcula la probabilidad de que sea defectuosa
b. Tomamos, al azar, una pieza y resulta ser defectuosa; calcula la probabilidad
de haber sido producida por la mquina B.
c. Qu mquina tiene la mayor probabilidad de haber producido la citada pieza
defectuosa?
Solucin:
Sea D= "la pieza es defectuosa" y N= "la pieza no es defectuosa".
La informacin del problema puede expresarse en el diagrama de rbol adjunto.

a. Para calcular la probabilidad de que la pieza elegida sea defectuosa,

P(D), por la propiedad de la probabilidad total,
P(D) = P(A) P(D/A) + P(B) P(D/B) + P(C) P(D/C)
= 0.45 0.03 + 0.30 0.04 + 0.25 0.05 = 0.038

b. Debemos calcular P(B/D). Por el teorema de Bayes,

c. Calculamos P(A/D) y P(C/D), comparndolas con el valor de P(B/D) ya calculado

Aplicando el teorema de Bayes, obtenemos:

La mquina con mayor probabilidad de haber producido la pieza defectuosa es A

TCNICAS COMBINATORIAS
En ocasiones el trabajo de enumerar los posibles sucesos que ocurren
en una situacin dada se convierte en algo difcil de lograr o, simplemente,
tedioso. El anlisis combinatorio, o clculo combinatorio, permite enumerar
tales casos o sucesos y as obtener la probabilidad de eventos ms complejos.
Los mtodos para determinar cuantos subconjuntos se pueden obtener
de un conjunto de objetos de denominan tcnicas combinatorias.
En el caso de que existan ms de un suceso a observar, habra que contar
el nmero de veces que pueden ocurrir todos los sucesos que se desean
observar, para ello se utiliza el principio fundamental de conteo:

principio fundamental de conteo:

Si un suceso se puede presentar de n1 formas, y otro se puede presentar de

n2 formas, entonces el nmero de formas en que ambos sucesos pueden
presentarse en ese orden es de n1n2.

En otras palabras, basta multiplicar el nmero de formas en que se pueden

presentar cada uno de los sucesos a observar.

Este principio nos remite automticamente al factorial de un nmero natural

El factorial de un nmero n, denotado n!, se define como:

Ahora, n es muy grande el proceso de clculo se vuelve tedioso y muy cargado,

incluso para una computadora, por lo que se utiliza la aproximacin de Stirling a n!:

donde e2.71828..., que es la base de los logaritmos neperianos.

En Excel existe la funcin FACT(n) que calcula el factorial de un nmero entero
no negativo n.

En el anlisis combinatorio se definen las permutaciones, con o sin repeticin,

y las combinaciones.

Permutaciones (u ordenaciones) con repeticin

Las permutaciones son tambin conocidas como ordenaciones, y de hecho toman
este nombre porque son ordenaciones de r objetos de n dados. En este curso
las representaremos como ORnr nORr
Por ejemplo: Sea A={a,b,c,d}, cuntas "palabras" de dos letras se
pueden obtener?
Se pide formar permutaciones u ordenaciones de 2 letras, cuando el total de letras es 4.
En este caso r=2 y n=4.
Las "palabras" formadas son: aa, ab, ac, ad, ba, bb, bc, bd, ca, cb, cc, cd, da, db, dc, dd.
En total son 16.
En general, si se toman r objetos de n, la cantidad de permutaciones u ordenaciones
con repeticin obtenidas son:
ORnr = nORr = n r

Permutaciones (u ordenaciones) sin repeticin

En este caso, a diferencia del anterior, se realizan ordenaciones de r objetos de n dados
atendiendo a la situacin de cada objeto en la ordenacin. Su representacin ser.
Pnr nPr.
Por ejemplo: Sea el mismo conjunto A={a,b,c,d}, cuntas ordenaciones sin repeticin
se pueden obtener?
Lo que resulta es: ab, ac, ad, ba, bc, bd, ca, cb, cd, da, db, dc. Son 12 en total.
En general, si se toman r objetos de un total de n, la cantidad de permutaciones

Pnr = nPr =
El Excel cuenta con la funcin PERMUTACIONES(n,r) que realiza el clculo.

Combinaciones
Es una seleccin de r objetos de n dados sin atender a la ordenacin de los mismos.
Es decir, es la obtencin de subcojuntos, de r elementos cada uno, a partir de un
conjunto inicial de n elementos. La denotaremos con

Cnr,

nCr

Por ejemplo: Si tomamos el mismo conjunto A={a,b,c,d}, cuntos subconjuntos

de 2 elementos cada uno se pueden obtener?
Hacindolos se obtienen: {a,b}, {a,c}, {a,d}, {b,c}, {b,d}, {c,d}.
Son seis los subconjuntos
En general, si de n objetos dados se hacen combinaciones de r objetos cada una,
el nmero de combinaciones obtenidas son:
Cnr = nCr =
o, que es lo mismo,

Teorema del binomio o Binomio de Newton:

El teorema del binomio, o Binomio de Newton por haber sido ste quien propuso
el mtodo general para su desarrollo, es un binomio elevado a una potencia n,
que en su caso ms simple es un nmero natural.
En trminos generales, el teorema del binomio establece que para
"a,bR y n N, se tiene que:

Para el caso concreto de esta presentacin, se cambiar la notacin y se utilizar

la propiedad de conmutatividad de los nmeros reales: