DEFINICIONES DE PROBABILIDAD

Definicin clsica
Suponga que un evento E puede ocurrir en h de n maneras igualmente
posibles. Entonces la probabilidad de que ocurra el evento (a la que se le llama
xito) se denota como:

Obsrvese que la probabilidad de un evento es un nmero entre 0 y 1. Si

el evento no puede ocurrir, su probabilidad es 0. En cambio, si se trata de un
evento que tiene que ocurrir (es decir, que es seguro que ocurra), su
probabilidad es 1.
Si p es la probabilidad de que ocurra un evento, las posibilidades u
oportunidades a favor de su ocurrencia son
p : q (que se lee p a q); las posibilidades en contra de que ocurra son q : p.
Por lo tanto, las posibilidades en contra de que en un solo lanzamiento de un
dado caiga un 3 o un 4 son q : p = 2 : 1 = 2 : 1 (es decir, 2 a 1).
3
3

Definicin
de
frecuencia relativa
La definicin clsica de probabilidad tiene la desventaja de que la expresin
igualmente posible es vaga. Es ms, como esta expresin parece ser
sinnimo de igualmente probable, la definicin es circular, ya que est
definiendo probabilidad en trminos de probabilidad. Debido a esto, algunas
personas han abogado por una definicin estadstica de probabilidad. De
acuerdo con esto, se considera que la probabilidad estimada o probabilidad
emprica de un evento es la frecuencia relativa de ocurrencia del evento
cuando la cantidad de observaciones es muy grande. La probabilidad misma
es el lmite de esta frecuencia relativa a medida que la cantidad de
observaciones aumenta de manera indefinida.

EJEMPLO 2 Si en 1 000 lanzamientos de una moneda se obtienen 529 caras,

la frecuencia relativa con la que se obtienen caras es 529/1 000 = 0.529. Si
en otros 1 000 lanzamientos se obtienen 493 caras, la frecuencia relativa en
los 2 000 lanzamientos es (529 + 493)/2 000 = 0.511. De acuerdo con la
definicin estadstica, cada vez se estara ms cerca de un nmero que
representa la probabilidad de que caiga cara en un lanzamiento de una sola
moneda. Segn los resultados presentados, este nmero sera 0.5 a una cifra
significativa. Para obtener ms cifras significativas se necesitan ms
observaciones.

La definicin estadstica, aunque til en la prctica, tiene dificultades desde

el punto de vista matemtico, ya que puede ser que no exista un verdadero
nmero lmite. Debido a esto, la teora de probabilidad moderna ha sido
desarrollada en forma axiomtica; es decir, el concepto de probabilidad se
deja sin definir, que es lo mismo que ocurre en la geometra con los
conceptos de punto y lnea, que tambin se dejan sin definir.
PROBABILIDAD
DEPENDIENTES

CONDICIONAL;

EVENTOS

INDEPENDIENTES

Si E1 y E2 son dos eventos, la probabilidad de que ocurra E 2, dado que E1 ha

ocurrido, se denota Pr{E2|E1} o Pr{E2 dado E1} y se conoce como la
probabilidad condicional de E2 dado que E1 ha ocurrido.
Si la ocurrencia o no ocurrencia de E 1 no afecta la probabilidad de ocurrencia
de E2, entonces Pr {E2|E1} = Pr {E2} y se dice que E 1 y E2 son eventos
independientes, de lo contrario se dice que son eventos dependientes.
Si se denota con E1E2 el evento de que tanto E1 como E2 ocurran, evento al
que suele llamarse evento compuesto, entonces
Pr {E1 E2 }

Pr {E1 } Pr {E2 E1 }

(1)

En particular;
Pr {E1 E2 }

Pr {E1 } Pr {E2 }

para eventos independientes (2)

Para tres eventos E1, E2 y E3, tenemos

Pr {E1 E2 E3 } Pr {E1 } Pr {E2 E1 } Pr {E3 E1 E2 }
(3)
Es decir, la probabilidad de que ocurra E 1, E2 y E3 es igual a (la probabilidad
de E1) (la probabilidad de E2 dado que E1 ha ocurrido) (la probabilidad de
E3 dado que E1 y E2 han ocurrido).
En particular, Pr {E1 E2 E3 } Pr {E1 } Pr {E2 } Pr {E3 } para eventos
independientes
(4)
En general, si E1, E2, E3, . . . , En son n eventos independientes que tienen
probabilidades p1, p2, p3, . . . , pn, entonces la probabilidad de que ocurra E 1 y
E2 y E3 y . . . En es p1p2p3 . . . pn.
EJEMPLO 3 Sean E1 y E2 los eventos cae cara en el quinto lanzamiento y
cae cara en el sexto lanzamiento de una moneda, respectivamente.
Entonces E1 y E2 son eventos independientes y, por lo tanto, la probabilidad
de cara tanto en el quinto como en el sexto lanzamientos es (suponiendo que
sea una moneda legal)

EJEMPLO 4 Si la probabilidad de que A est vivo en 20 aos es 0.7 y la

probabilidad de que B est vivo en 20 aos es 0.5, entonces la probabilidad
de que ambos estn vivos en 20 aos es (0.7)(0.5) = 0.35.
DISTRIBUCIONES DE PROBABILIDAD
Discretas
Si una variable X toma un conjunto discreto de valores X 1, X2, . . . , XK con
probabilidades respectivas p1, p2, . . . , p K, donde p1 + p2 + . . . + pK = 1, esto
se define como una distribucin de probabilidad discreta de X. La funcin
p(X ), que tiene los valores p 1, p2, . . . , pK para X = X1, X2, . . . , XK ,
respectivamente, se llama funcin de probabilidad o funcin de frecuencia de
X. Como X puede tomar ciertos valores con determinadas probabilidades,
suele llamrsele variable aleatoria discreta. A las variables aleatorias tambin
se les conoce como variables estocsticas.

EJEMPLO 8 Se lanza un par de dados; sea X la suma de los puntos obtenidos

en estos dos dados. La distribucin de probabilidad es la que se muestra en
la tabla 6.1. Por ejemplo, la probabilidad de que la suma sea 5 es 4 = 1; as

que de 900 veces que se lancen los dos dados se espera que en 100 la suma
de los puntos sea 5.
Obsrvese la analoga con las distribuciones de frecuencias relativas
empleando probabilidades en lugar de frecuencias relativas. De manera que
las distribuciones de probabilidad pueden considerarse como formas tericas
o formas lmites ideales de las distribuciones de frecuencias relativas cuando
la cantidad de observaciones es muy gran- de. A esto se debe que las
distribuciones de probabilidad se consideren distribuciones de poblaciones,
mientras que las distribuciones de frecuencias relativas son distribuciones de
muestras obtenidas de estas poblaciones.
Tabla 6.1

10

11

12

p(X )

1/36

2/36

3/36

4/36

5/36

6/36

5/36

4/36

3/36

2/36

1/36

Una distribucin de probabilidad se puede representar graficando p(X ) contra

X, como se hace con las distribuciones de frecuencias relativas (ver problema
6.11).
Con probabilidades acumuladas se obtienen distribuciones de probabilidad
acumulada, que son anlogas a las distribuciones de frecuencia relativa
acumulada. A las funciones correspondientes a estas distribuciones se les
suele llamar funciones de distribucin.
La distribucin de la tabla 6.1 puede obtenerse empleando EXCEL. La porcin
de una hoja de clculo de EXCEL que se muestra a continuacin se obtiene
ingresando Dado 1 en A1, Dado 2 en B1 y Suma en C1. Los 36 resultados
posibles al lanzar dos dados se ingresan en A2:B37. En C2 se ingresa
=SUM(A2:B2), se da clic y se arrastra desde C2 hasta C37. Observando que la
suma 2 se obtiene una vez; la suma 3, dos veces, etc., se forma la
distribucin de probabilidad de la tabla 6.1.
ESPERANZA MATEMTICA
Si p es la probabilidad de que una persona reciba una cantidad de dinero S,
pS define la esperanza matemtica (o simplemente la esperanza).
EJEMPLO 9 Encontrar E(X ) para la distribucin de la suma de los dos dados
dada en la tabla 6.1. La distribucin se presenta en los siguientes resultados
de EXCEL. En A2:B12 se presenta la distribucin en la que los valores p(X ) se
han convertido a la forma decimal. En C2 se ingresa la expresin =A2*B2, se
da clic y se arrastra desde C2 hasta C12. En C13 se ingresa la expresin
=Sum(C2:C12) y se obtiene la esperanza matemtica, que es 7.

A p(X ) se le conoce como funcin de densidad de probabilidad o brevemente

funcin de densidad, y cuando se da una de estas funciones se dice que se
define una distribucin de probabilidad continua para X; a la variable X suele
llamrsele variable aleatoria continua.
Como en el caso discreto, se pueden definir distribuciones de probabilidad
acumulada y las funciones de distribucin correspondientes.
X
2

p(X
)
0.027778

0.055556

0.083333

0.111111

0.138889

0.166667

0.138889

0.111111

10

0.083333

11

0.055556

12

0.027778

XP(X)
0.05555
6
0.16666
7
0.33333
3
0.55555
6
0.83333
3
1.16666
7
1.11111
1
1
0.83333
3
0.61111
1
0.33333
3
7

El concepto de esperanza es fcil de extender. Si X denota una variable

aleatoria discreta que puede tomar los valores X1, X2, . . . , XK con
probabilidades p1, p2, . . . , pK, respectivamente, donde p1 + p2 + . . . + pK
= 1, la esperanza matemtica de X (o simplemente la esperanza de X), que
se denota E(X ), se define de la manera siguiente:

Si en esta esperanza se sustituyen las probabilidades pj por las frecuencias

relativas fj/N, donde N P fj, la esperanza se reduce a (P fX =N , que es la
media aritmtica X de una muestra de tamao N en la que X1, X2, . . . , XK
se presentan con estas frecuencias relativas. A medida que N se vuelve cada
vez ms grande, las frecuencias relativas fj/N se aproximan a las
probabilidades pj. Esto lleva a interpretar E(X ) como la media de la poblacin
de la que ha sido tomada la muestra. Si se denota con m a la media
muestral, a la media poblacional se le denota con la correspondiente letra
griega, (mu).
La esperanza tambin puede ser definida para variables aleatorias continuas,
pero esta definicin requiere el uso del clculo.
RELACIN
ENTRE
MUESTRALES

MEDIA

VARIANZA

POBLACIONALES

Si de una poblacin se toma en forma aleatoria una muestra de tamao N (es

decir, de manera que todas las muestras de tamao N sean igualmente
probables), se puede demostrar que el valor esperado para la media
muestral m es la media poblacional .

Sin embargo, no se sigue que el valor esperado de cualquier cantidad

calculada a partir de una muestra sea la can- tidad poblacional
correspondiente. Por ejemplo, el valor esperado de la varianza muestral,
como se ha definido aqu, no es la varianza poblacional, sino (N 1)/N veces
esta varianza. A esto se debe que algunos especialistas en estadstica
prefieran definir la varianza muestral como la varianza aqu definida pero
multiplicada por N/(N 1).

ANLISIS
COMBINATORIO
Para obtener probabilidades de eventos complejos, hacer una enumeracin de
los casos suele ser difcil, tedioso o ambas cosas. Para facilitar esta tarea se
hace uso de los principios bsicos de una materia llamada anlisis
combinatorio.

Principio
fundament
al
Si un evento puede ocurrir de n1 maneras diferentes, y si una vez que ha
ocurrido, otro evento puede ocurrir de n2 maneras diferentes, entonces la
cantidad de maneras en que pueden ocurrir los dos eventos, en este orden
especfico, es n1n2.
COMBINACIONES
Una combinacin de n objetos diferentes tomados de r en r es una seleccin
de r de los n objetos sin importar el orden. El nmero de combinaciones
de n
r
n
objetos tomados de r en r se denota mediante el smbolo ( ) y est dado por

PERMUTACIONES Y COMBINACIONES

Una permutacin de objetos es un arreglo de stos en el que orden s

importa. Para encontrar el nmero de permutaciones de n objetos diferentes
en grupos de r, se usan las siguientes frmulas:

Cuando no se permite repeticin

Cuando se permita repeticin

Una combinacin de objetos es un arreglo de stos en el que el orden no

importa. Para encontrar el nmero de combinaciones de n objetos en
grupos de r, se usa la siguiente frmula:

EJEMPLOS
:
A) Cuntas cantidades de tres cifras se pueden formar con los dgitos 0,
1, 2, 3 y 4 si no se permite la repeticin? Solucin:

.
B) Cuntas cantidades de cuatro cifras se pueden formar con los dgitos
0, 1, 2, 3 y 4 si se permite la repeticin? Solucin:
.
C) De entre 8 personas debemos formar un comit de cinco miembros.
Cuntas diferentes posibilidades existen para formar el comit?
Solucin: Esta es una combinacin porque el orden no importa.

Ejercicios de probabilidad de eventos independientes

Ejercicios de Probabilidad
1. Se lanza una moneda normal tres veces. Cul es la probabilidad de
sacar tres sellos?

Solucin

Como son eventos independientes, la probabilidad total es el producto

de todas las probabilidades

P( 3 sellos ) = P(S) * P(S) * P(S) = 1/2*1/2*1/2= 1/8

2. En una urna hay 3 fichas amarillas y 6 azules. Cul es la probabilidad
de que al sacar
2 fichas con reposicin, estas sean amarillas?
Solucin
La probabilidad de sacar 1 ficha amarilla es de 3/9=>1/3, como existe
reposicin la 1ra extraccin no afecta a la 2da extraccin, por tanto
estamos frente a eventos independientes.

Evidencia de Libro Virtual