TEMAS:

1. TEORA DE PROBABILIDAD

Dr. Gilberto Lpez Cantes

 La estadstica inductiva tiene entre sus objetivos el de
cuantificar la incertidumbre que caracteriza a todo
proceso de razonamiento en el que se avanza de lo
particular a lo general.
Esta cuantificacin se realiza mediante la aplicacin
de principios probabilsticos.
Supongamos que queremos investigar la produccin de
maz por hectrea en una regin donde hay 1 000
agricultores, pero solo se tiene las producciones de 100
de ellos, y con los datos disponibles se ha construido
una tabla de frecuencias.
 Usando la tabla podemos concluir que el 80 % produce
menos de 4 toneladas por ha; que el 50 % produce entre
2.1 y 3.4 t/ha, etc.
Todas estas conclusiones son ciertas para los 100
agricultores cuya informacin se tiene.
Supngase que nos preguntan qu porcentaje de los 1 000
productores de la regin producen menos de 4 t/ha?
Podemos contestar que el 80 %, basndonos en los
datos disponibles? Si as lo hacemos Qu tan alejados
estamos del valor verdadero? Se contesta con las
herramientas de la estadstica inductiva .
 Conjunto: Cualquier coleccin de conceptos o de
objetos perfectamente especificada. Ej: los alumnos de
la clase de estadstica, los 11 ros del estado de Sinaloa,
etc.
Cada miembro de un conjunto ser llamado un
elemento del mismo.
Para identificar un conjunto se utilizaran letras
maysculas. Por ej: los conjuntos mencionados los
denotaremos con A y B.
Para especificar sin ambigedad a un conjunto requerimos
de una notacin que lo describa. Dos formas:
1. Es til si el conjunto tiene pocos elementos, consiste en
listarlos dentro de un parntesis.
2. Escribir dentro del parntesis una regla que describa los
elementos del conjunto.
Ejemplo: Para los 11 ros del Estado de Sinaloa, tenemos:
Primero
B = {Choix, Fuerte, Sinaloa, Mocorito, Culiacn, San Lorenzo, Elota, Piaxtla, Presidio,
Baluarte, Caas}
Segundo
B = {x|x es uno de los ros del Estado de Sinaloa} (Debe leerse como: B es el
conjunto de x, tales que x es ro del Estado de Sinaloa) La barra vertical quiere decir
tal que
 En los casos anteriores los conjuntos tienen pocos
elementos y es fcil listarlos.
En algunas situaciones esto es imposible.
Considrese por ejemplo el conjunto de todos los
nmeros en el intervalo (0, 1). Este conjunto es fcil
presentarlo con la segunda opcin como sigue:

A = {x|0 x < 1}

Pero es imposible listar individualmente sus elementos

 Notacin: Sea A un conjunto cualquiera. Para indicar que
cierto elemento pertenece al conjunto usaremos el smbolo
, que quiere decir es un elemento de. Para indicar que un
elemento no pertenece al conjunto usaremos el smbolo , que
quiere decir no es un elemento de.

Ej: Si el nmero 2 es un elemento del conjunto A y el nmero

3 no lo es, escribiremos 2 A y 3 A.
 Definicin: (Igualdad de conjuntos) Dos conjuntos A y B
son iguales si y slo si tienen los mismos elementos.
Escribiremos entonces A = B.
Ej: Conjunto A = {NH, JD, Case}; B = {NH, Case}; C = {NH,
JD, Case}. De acuerdo con la definicin A B, A = C y A =
C

Definicin: (Subconjunto) Sean A y B dos conjuntos. Si

todo elemento de A es tambin un elemento de B, diremos
que A es un subconjunto de B. Simblicamente
escribiremos A B.
Ej. Consideremos los conjuntos del ej. Anterior tenemos
que B A, A B, A C, C A.
Note que si A C y C A, entonces necesariamente A =
B
 Definicin: (Conjunto vaco) El conjunto vaco es un
conjunto que no contiene elementos. Se denota por la letra
griega (fi minscula).
Ej: Sea A = {x|x es un implemento de 50 discos}, entonces
es claro que A = .

En todos las presentaciones habr un conjunto, del

cual todos los conjuntos de nuestro inters son
subconjuntos. A ese conjunto lo llamaremos el
Conjunto Universal y lo denotaremos por la letra U.
 DIAGRAMA DE VENN
Los conjuntos, sus relaciones y las operaciones algebraicas
que con ellos se realizan pueden representarse
grficamente mediante lo que llamamos Diagramas de
Venn Euler.
En un diagrama de Venn, el conjunto universal se
representa por un rectngulo, y los conjuntos de inters
por crculos (o por figuras irregulares) dentro del
rectngulo. U
A
Ej: En la figura se ha dibujado
B
un conjunto universal U y C
tres subconjuntos A, B y C.
 Sean U = {1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12}; A = {1, 2, 3, 4};
B = {4, 5, 6}; C = {7, 8, 9, 10, 11, 12} y D = {11, 12}.

La representacin de estos conjuntos usando

Diagramas de Venn es:
U
1
7 10 C
A 2
8 D 11
3
9 12
4 5 6 B
 Tres operaciones con conjuntos: la unin, la
interseccin y el complemento de un conjunto con
respecto a su conjunto universal.

El resultado de cada una de estas operaciones es

tambin un conjunto, el cual es subconjunto del
mismo conjunto universal que contiene a aquellos
entre los que se hizo la operacin.
 Definicin: (Unin de conjuntos) Sean A y B dos
conjuntos y U su conjunto universal. El conjunto que est
integrado por lo elementos que pertenecen a A, a B o a
ambos, es la unin de A y B.
De otro modo, la unin de A y B (notacin: A B) es el
conjunto cuyos elementos pertenecen por lo menos a
uno de los conjuntos A o B. Simblicamente
escribiremos:
A B = {x|x es elemento de A o x es elemento de B o
x es elemento de ambos}
El rea sombreada
A B
representa la
unin de A y B
 Definicin: (Interseccin de conjuntos) Sean A y B dos
conjuntos y U su conjunto universal. El conjunto
integrado por los elementos que pertenecen a ambos
conjuntos es la interseccin (notacin: A B o
simplemente AB) de A y B.
Es decir, que slo pertenecen a A B los elementos que
son comunes a ambos conjuntos. Simblicamente sera:
A B ={x|x es elemento de A y x es elemento de
B} La interseccin
El rea sombreada de dos conjuntos
es la interseccin sin elementos en
entre A y B comn es el
conjunto vaco
 Definicin: (Conjuntos ajenos o mutuamente
excluyentes) Sean A y B dos conjuntos y U su conjunto
universal. Si A B = , diremos que los conjuntos A y B
son ajenos o mutuamente excluyentes.

Ej: Sean U = {1, 2, 3, 4, 5}; A = {1, 2, 3}; B = {1, 3, 4, 5}; C =

{4, 5}. Entonces A B = {1, 3}; B C = {4, 5} y A C = .
 Definicin: (Complemento de un conjunto) Sean A y B dos
conjuntos y U su conjunto universal. El complemento de A
(notacin: Ac) es el conjunto integrado por los elementos de
U que no pertenecen a A. Simblicamente puede escribirse
como:
Ac = {x|x es elemento de U, pero x no es elemento de A}

Ej: Sean U = {x |-8 x 63} y A = {x |0 x 63}. Entonces:

Ac = {x |-8 x 0}
 Definicin: (Experimento) Un experimento es el
proceso mediante el cual obtenemos una observacin.
Definicin: (Experimento aleatorio) Un experimento
aleatorio es aqul cuyo resultados no pueden predecirse
antes de su realizacin y, por lo tanto, estn sujetos al azar
Por ejemplo:
* Lanzar un dado.
* Extraer una carta de una baraja.
* Se lanza una moneda. Si sale cara se extrae de una urna
U1, con una determinada composicin de bolas de colores,
una bola y si sale cruz de extrae de una urna U2, con otra
determinada composicin de bolas de colores, una bola.
 Cuando se realiza un experimento aleatorio diversos
resultados son posibles. El conjunto de todos los resultados
posibles se llama espacio muestral (M).
Ej: Experimento aleatorio: lanzar un dado.
Espacio muestral M = {1, 2, 3, 4, 5, 6}.

Se llama suceso o evento a un subconjunto de dichos

resultados. Distinguiremos entre sucesos simples (o
indivisibles) y compuestos (o divisibles).
Por ejemplo: el suceso A = que el resultado sea par:
A = {2, 4, 6} es un suceso compuesto.
Se llama suceso complementario de un suceso A, Ac al
formado por los elementos que no estn en A.
Ac ser: que el resultado sea impar, Ac = {1, 3, 5}.
18
Se considera el experimento aleatorio consistente en lanzar una
moneda. Si sale cara, se extrae de una urna que contiene bolas
azules y rojas una bola, y si sale cruz, se extrae una bola de otra
urna que contiene bolas rojas y verdes. Cul es el espacio
muestral M de dicho experimento aleatorio?
M = {(C,R), (C,A), (+,R), (+,V)}
Considrese los siguientes experimentos aleatorios:
1. Se aplica un insecticida a tres larvas y al cabo de 24 horas se observa si estn
muertas (m) o vivas (v).
M = {vvv, mvv, vmv, vvm, vmm, mvm, mmv,
mmm}
2. Se toma un litro de leche y se determina en el laboratorio el porcentaje de
agua por volumen.
M = {x|0 < x <
100}
3. Se mide el tiempo (t) que un individuo tarda en recorrer 100 metros y su
capacidad respiratoria (c).
M = {(t, c)|t > 0, c >
100}
4. En una encuesta se pregunta a personas mayores de 30 aos si creen en la
existencia de tractores que funcionan con nitrgeno. El experimento termina
con la primera persona que da una respuesta afirmativa. Se registra el nmero
de individuos entrevistados. En este caso cualquier entero positivo es un
posible resultado. Por lo tanto:
M = {1, 2, 3, 4,.}
 En el primer caso el nmero de elementos del espacio
muestral es finito, puesto que el total resultante de
contar los elementos es igual a un nmero entero no
negativo. Estos espacios reciben el nombre de
espacios muestrales finitos.
El cuarto caso se complica un poco, dado que el
nmero de resultados posibles no es finito. Sin
embargo, los resultados pueden ordenarse en una
sucesin (1, 2, 3, ). En este caso decimos que el
espacio muestral es infinito denumerable.
Estos dos casos son ejemplo de espacios muestrales
discretos.
 Definicin: (Espacio muestral discreto) Es un
espacio muestral integrado por un nmero finito o
infinito denumerable de elementos .
Definicin: (Espacio muestral continuo) Es un
espacio muestral que contiene a todos los elementos
en uno o varios segmentos de la lnea real (No slo no
es finito el nmero de elementos, sino que tampoco
pueden ordenarse stos en una sucesin)
 Definicin: (Evento) Es un subc0njunto de un
espacio muestral.
Ej: En el caso dos supngase que un litro de leche con
ms del 90% de agua es inaceptable para quien realiza
el anlisis. El subconjunto A (A M) est definido
por:
A = {x|90 < x < 100}
Subconjuntos de M de este tipo sern llamados
eventos en el espacio muestral M.
 Definicin: (Particin de un espacio muestral) Sea
A1, A2, , An, n eventos (subconjuntos) de un espacio
muestral M. Si Ai Aj = para cualquier par de
eventos y

diremos que los eventos A1, A2, , An forman una

particin del espacio muestral M.
 Ejemplo: Considrese el experimento consistente en
medir el porcentaje de humedad relativa en un
invernadero. Cualquier nmero (dependiendo de la
precisin con que se mida) entre 0 y 100 es un posible
resultado del experimento. Es decir:
M = {x|0 < x < 100}
Sean:
A = {x|0 < x < 30}; B = {x|30 x 70}; C = {x|70 < x <
100}
Claramente: A B = ; A C = ; B C =
y ABC=M
Por lo que A, B y C forman una particin de M.
 Definicin: (Poblacin) Desde el punto de vista
estadstico, es el conjunto de resultados potenciales
de un experimento aleatorio, si ste se repitiera en
todas las unidades a las que se quiere investigar.

Definicin: (Muestra) Una muestra de una

poblacin estadstica es el conjunto de resultados que
se colectan de hecho en una investigacin. Una
muestra debe ser un subconjunto de la poblacin.
 Supongamos que un suceso E pueda ocurrir de h formas
de un total de n formas igualmente posibles. Entonces la
probabilidad de ocurrencia del suceso es denotada por:

La probabilidad de no ocurrencia del suceso se denota

por:

As p + q = 1, o Pr{E} + Pr{no E} = 1
El suceso no E puede denotarse por:
 Sea E el suceso que los nmeros 3 4 salgan en el
lanzamiento de un dado. Hay seis maneras en las que
el dado puede caer, que resultan en los nmeros 1, 2,
3, 4, 5, 6; y si el dado no est trucado, podemos
asumir que estas maneras son equiprobables. Como E
puede ocurrir en dos de estas formas, tenemos:

La probabilidad de no obtener un 3 4 (es decir, obtener un 1, 2,

5, 6) es:
Laplace define la probabilidad de un suceso A como
el cociente:

Dado: Cul es la probabilidad P(A) de A = un nmero

mayor
o igual a 5?Y
Solucin: la probabilidad
Los seis de son
casos posibles B = nmero impar?
igualmente probables,
cada uno tiene probabilidad 1/6.
P(A) = 2/6 = 1/3 pues A ={5,6} tiene dos casos favorables.
P(B) = 3/6 = 1/2 pues B = {1, 3, 5} tiene tres casos favorables
29
 Ntese que la probabilidad de un suceso es un nmero
entre 0 y 1. Si el suceso no puede ocurrir, su
probabilidad es cero. Si debe ocurrir, es decir, si su
ocurrencia es cierta, su probabilidad es 1.

Si p es la probabilidad de que un suceso ocurra, los

logros a favor de su ocurrencia son p:q (lase p a q);
los logros en contra de su ocurrencia son q:p. Por lo
tanto, los logros en contra un 3 un 4 en un
lanzamiento de un dado no trucado son: , es decir, 2 a
1.
1. Es circular, puesto que el trmino igualmente
posibles es un concepto evidentemente relacionado
con lo que se quiere definir
2. Cmo decidir que todos los eventos son igualmente
posibles?
Por otra parte, si uno est dispuesto a suponer que, por
ej., el lanzar una moneda las dos caras de sta son
eventos igualmente posibles entonces, de acuerdo con
la definicin, la probabilidad a priori de cada una de
ellas es 0.5.
El ejemplo anterior es clsico en la teora de
probabilidad, se basa en la probabilidad a priori, e
ilustran una caracterstica de esta definicin: las
aplicaciones de la probabilidad a priori se refieren
casi exclusivamente a experimentos idealizados,
con una estructura similar o derivada de los juegos al
azar.
Por el contrario, el enfoque usando frecuencias
relativas es eminentemente prctico.
 En un experimento aleatorio no podemos predecir qu
resultado ocurrir, pero stos presentan una regularidad
estadstica consistente en la estabilizacin de las
frecuencias relativas de los eventos cuando el
experimento se realiza un gran nmero de veces.
Para nuestro caso consideraremos que la frecuencia
relativa del evento A es una medida de una cantidad
desconocida que es la probabilidad de un evento p(A).

La probabilidad en s es el lmite
de la frecuencia relativa cuando el
nmero de observaciones
aumenta indefinidamente.
 Si en 1000 lanzamientos de una moneda resultan 529
soles, la frecuencia relativa de los soles es:

529/1000 = 0.529.

Si otros lanzamientos resultan en 493 soles, la

frecuencia relativa en el total de los 2000
lanzamientos es :
(529 + 493)/2000 = 0.511.
Medida de la veracidad relativa de un evento y
debe cumplir con las siguientes propiedades para
cualquier espacio muestral:
0 P(A) 1, para cualquier A M
P(M) = 1
Si A1, A2, , Ak, son eventos (particin del espacio
muestral) mutuamente excluyentes en M, entonces:
 En una raza de ratones se tienen, por lo que toca al
color del pelaje, dos clases de los mismos: negros y
cafs. Los negros son, genticamente, de dos tipos (BB
y Bb), y los cafs de un solo tipo (bb). De la teora
gentica establecida se sabe que si se cruzan dos
ejemplares negros del tipo Bb, pueden obtenerse los 3
tipos de ratones con las siguientes probabilidades:

Cruza Probabilidad de cada tipo

BB Bb bb
Bb x Bb 1/4 1/2 1/4
El experimento consistente en observar el resultado de una cruza como la
anterior tiene entonces el siguiente espacio muestral: M = {BB, Bb, bb} con
propiedades:

Claramente, {BB} {Bb} {bb} = M y los tres subconjuntos son mutuamente

excluyentes. Tambin es claro que:
P(M) = P({BB}) + P({Bb}) + P({bb}) = 1
Ntese que sta no es la nica particin posible de M. Si nos interesa
exclusivamente establecer que el ratn resultante es negro (N) o caf (C),
tenemos:
{N} = {BB} {Bb} y {C} = {bb}

Por lo que: P({N}) = P({BB}) + P({Bb}) =

P({C}) = P({bb}) =

Y, claramente: M = {N} {C}

 En ocasiones ocurre que la probabilidad de un evento
puede calcularse usando las probabilidades
(conocidas) de otros eventos. En particular esto
ocurre si el evento en cuestin puede expresarse como
la unin de dos eventos o como el complemento de
un evento.
 Regla 1: (Probabilidad de la unin de dos eventos)
Sean A y B dos eventos. La probabilidad del conjunto que
resulta de la unin de A y B es:

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

En palabras: La probabilidad del conjunto A B es igual
a la probabilidad del conjunto A, ms la probabilidad del
conjunto B, menos la probabilidad del conjunto A B.

Regla 1a: Si A y B son dos eventos mutuamente

excluyentes (A B = ), entonces:
P(A B) = P(A) + P(B)
 Ejemplo: En el estudio de los ratones se calcularon las
probabilidades de ocurrencia de un ratn negro (N) y de
un ratn caf (C):

Supngase adems que cierta enfermedad se presenta en esa raza de ratones

con una frecuencia de 7/32. Es decir que, si representamos por E al evento
ratn enfermo, entonces P(E) = 7/32. Se sabe adems que la probabilidad de
un ratn caf con la enfermedad es 5/32, y la probabilidad de un ratn negro
con la enfermedad es 2/32. Es decir:

Con estos datos, Cul es la probabilidad de que un ratn resultante de la

cruza sea negro o tenga la enfermedad?
 De acuerdo con la regla 1 tenemos:

Similarmente:
 Regla 2: Sea A un evento de un espacio muestral M.
La probabilidad del conjunto complemento de A es:
P(Ac) = 1 P(A)
Ejemplo: En el ejemplo de los ratones tenemos el
espacio muestral M = {N, C}, donde:
Adems, M = {N} {C} = {N} {N}c

Entonces:
 A menudo sucede que la ocurrencia de un evento
depende de la ocurrencia de otros.
Si E1 y E2 son dos sucesos, la probabilidad de que E2
ocurra dado que E1 haya ocurrido se denota por
Pr{E2E1} o Pr{E2 dado E1} y se llama probabilidad
condicional de E2 dado que E1 haya ocurrido.

Definicin: (Probabilidad condicional). Sea A y B

dos eventos en un espacio muestral M. Si P(B) 0,
definimos la probabilidad condicional del evento A dado
el evento B como:
 Si la ocurrencia o no ocurrencia de E1 no afecta la
probabilidad de ocurrencia de E2, entonces Pr{E2E1}
= Pr{E2} y decimos que E1 y E2 son sucesos
independientes; de lo contrario seran sucesos
dependientes.

Definicin: (Independencia de eventos) Sea A y B

dos eventos y sea P(B) 0. A y B son eventos
independientes si:
P(A / B) = P(A)
 Si denotamos por E1E2 al suceso que ambos E1 y E2
ocurran algunas veces llamado suceso compuesto,
entonces:

En particular,

Pr{E1E2} = Pr{E1} * Pr{E2 } para sucesos independientes

Para tres sucesos E1, E2, E3, tenemos:

Pr{E1E2E3} = Pr{E1} * Pr{E2E1}* Pr{E3E1E2}

 Es decir, la probabilidad de ocurrencia de E1, E2 y E3 es igual a
la probabilidad de E1 por la probabilidad de E2 dado que E1
haya ocurrido por la probabilidad de E3 dado que ambos E1 y E2
hayan ocurrido. En particular,

Pr{E1E2E3} = Pr{E1} * Pr{E2}* Pr{E3} para sucesos independientes

En general, si E1, E2, E3, , En son n sucesos independientes que

tienen probabilidades relativas p1, p2, p3, , pn, entonces la
probabilidad de ocurrencia de E1 y E2 y E3 y , En es p1p2p3 pn.
 Sean E1 y E2 los sucesos soles en el quinto
lanzamiento y soles en el sexto lanzamiento de una
moneda, respectivamente. Entonces E1 y E2 son
sucesos independientes, de manera que la
probabilidad de soles en el quinto y sexto lanzamiento
es, suponiendo que la moneda no est trucada,
 Si la probabilidad de que A viva 20 aos es 0.7 y la
probabilidad de que B viva 20 aos es 0.5, entonces la
probabilidad de que ambos subsistan 20 aos es:

(0.7)(0.5) = 0.35
 Supongamos que una caja contiene 3 bolas blancas y 2
bolas negras. Sea E1 el suceso la primera bola sacada es
negra y E2 el suceso la segunda bola sacada es negra
donde las bolas no son reemplazadas despus de ser
sacadas. Aqu E1 y E2 son sucesos dependientes.
es la probabilidad de que la primera
bola sacada sea negra, mientras que:
 Dos o ms sucesos son llamados mutuamente excluyentes si la
ocurrencia de cualquiera de ellos excluye la ocurrencia de los otros.
Por lo tanto si E1 y E2 son sucesos mutuamente excluyentes, Pr{E1E2} = 0.

Si E1 + E2 denota el suceso que E1 o E2 o ambos ocurren, entonces:

Pr{E1 + E2} = Pr{E1} + Pr{E2} - Pr{E1E2}

En particular,

Pr{E1 + E2} = Pr{E1} + Pr{E2} para sucesos mutuamente excluyentes

Como una extensin de esto si E1, E2, , En son n sucesos mutuamente

excluyentes, que tienen probabilidades de ocurrencias respectivas p1, p2 , pn,
entonces la probabilidad de ocurrencia de E1 E2 En es p1 + p2 + + pn.
 Si E1 es el suceso se saca un as de una mano de barajas y E 2 es
el suceso se saca un rey, entonces :

y
. La probabilidad de sacar un as o un rey en una extraccin es:
 Si E1 es el suceso se saca un as de una mano de cartas
y E2 es el suceso se saca una espada, entonces E1 y E2
no son mutuamente excluyentes, ya que puede
sacarse el as de espada. Por lo tanto, la probabilidad
de extraer un as o una espada o ambos es:
 Dos eventos A y B son independientes si se cumple
cualquiera de las siguientes condiciones:
a) P(A/B) = P(A)
b) P(B/A) = P(B)
c) P(A B) = P(A)* P(B)
 Supongamos que un impulso elctrico debe pasar del
punto I al II para producir una seal. Para llegar al
punto II debe pasar por dos componentes electrnicos
(E1 y E2). La trayectoria del impulso se interrumpe si
falla cualquiera de los componentes. La probabilidad
de que el componente E1 no falle es 0.7 y la
probabilidad de que el componente E2 no falle es 0.8.
Adems, la probabilidad de que al menos uno no falle
es 0.94. Cul es la probabilidad de que la seal se
produzca?
 Definamos los siguientes eventos:
A: El componente E1 no falla
B: El componente E2 no falla
Sabemos entonces que: P(A) = o.7; P(B) = 0.8; P(AB) = 0.94
La probabilidad pedida es P(AB). Pero por la regla 1:
P(AB) = P(A) + P(B) (P(A B) = 0.7 + 0.8 0.94 = 0.56

Y la probabilidad de que se produzca la seal es 0.56. Ntese

que, adems: P(AB) = P(A)*P(B) =0.7 * 0.8 =0.56
Por lo que A y B son independientes y se cumple la condicin
c, que es P(A B) = P(A)* P(B).
 El concepto de probabilidad condicional da lugar a
ramificaciones muy discutidas en las inferencias
obtenidas usando el clculo de probabilidades.
Estas dificultades provienen de la aplicacin del
llamado Teorema de Bayes.
Este teorema es una consecuencia simple de la
definicin de probabilidad condicional, puesto que,
de acuerdo con sta:
Interseccin
de donde: P(AB) = P(A/B)*P(B)
Pero, tambin:

por lo que: P(AB) = P(B/A)*P(A)

Y podemos escribir:

o bien:
 Para visualizar las dificultades que nos puede llevar
este ltimo resultado, consideremos la siguiente
situacin:

Una empresa perforadora de pozos planea perforar en una zona

donde no se tiene la seguridad de que exista agua. Los tcnicos, de
acuerdo con su experiencia, creen que la probabilidad de que
exista agua en la zona es 0.1. Se tiene la opcin de hacer una
prueba preliminar antes de tomar una decisin. La prueba no es
concluyente, puesto que hay casos en que da resultados errneos.
Si existe agua, la prueba es positiva el 90 % de las veces, pero aun
si no existe agua la prueba es positiva el 20 % de las veces.
Simblicamente, tenemos que:
A: Existe agua
Ac: No existe agua
B: La prueba es positiva
De acuerdo con lo anterior, conocemos las siguientes
probabilidades: P(A) = 0.1; P(B/A) = 0.9; P(B/Ac) = 0.2

La probabilidad que nos interesa es P(A/B), es decir, la

probabilidad de que exista agua dado que la prueba
resulta positiva. Esta probabilidad se calcula como:
En esta expresin la nica cantidad desconocida es P(B),
pero puede calcularse ya que:
P(B) = P(BA) + P(BAc) = P(B/A)*P(A) + P(B/ Ac)*P(Ac)
Como se muestra en el diagrama de Venn
Se tiene entonces:

Y usando nuestros datos se obtiene:

La conclusin a la que se llega es que, aunque la prueba

resulte positiva, la probabilidad de que exista agua es
muy baja (1/3), aunque mayor que la sostenida a priori
por los tcnicos de la empresa.
 La principal objecin que se hace a este tipo de
inferencia, llamada a posteriori (puesto que
estamos calculando la probabilidad de que exista
agua, dado que la prueba resulta positiva) se basa en
la eleccin de las probabilidades a priori, que en
ocasiones son probabilidades subjetivas.
Para dramatizar el efecto que tiene la eleccin de
estas probabilidades, supongamos que los tcnicos de
otra empresa tienen una evaluacin distinta de P(A),
digamos que creen que P(A) = 0.4. Con este valor para
P(A), si repetimos los clculos anteriores obtenemos:
P(B) = P(BA) + P(BAc) = P(B/A)*P(A) + P(B/ Ac)*P(Ac)
P(B) = (0.9*0.4) + (0.2*0.6) = 0.48
Por lo que:

De manera que de acuerdo con la opcin de estos tcnicos

concluiramos que, si la prueba resulta positiva, la probabilidad
de encontrar agua es alta, y quizs nuestra decisin sera
diferente.
De cualquier manera los resultados anteriores (aceptado un
valor para las probabilidades a priori) son inobjetables desde
el punto de vista matemtico.
Basado en el ejemplo anterior presentamos el siguiente
teorema:
Teorema de Bayes: Sean A1, A2, , Ak, eventos que
forman una particin de un espacio muestral M. Sea B
un evento en M. Suponga que P(A1), P(A2), , P(Ak),
P(B/A1), P(B/A2), , P(B/Ak) son probabilidades
conocidas. Entonces:
 El profesor Z tiene tres secretarias con diferentes
niveles de competencia. Las secretarias son S1, S2 y S3.
La secretaria S1 ha escrito el 20 % de un trabajo, la
secretaria S2 el 40 % y la secretaria S3 el 40 %. Hay un
error ortogrfico que irrita en especial al profesor, y
ste ha calculado que S1 lo comete el 90 % de las veces
que tiene que escribir la palabra en cuestin, que S2 lo
comete el 40 % de las veces, y S3 nunca. Si el profesor
Z encuentra ese error en una pgina del trabajo. Cul
es la probabilidad de que esa pgina la haya escrito la
secretaria S1?la secretaria S2?la secretaria S3?
Tenemos: P(S1) = 0.2, P(S2) = 0.4, P(S3) = 0.4
P(E/S1) = 0.9, P(E/S2) = 0.4, P(E/S3) = 0

Entonces:

Pero:

Por lo tanto:

y P(S3/E) =
0
Ntese que la informacin adicional de que el error se
ha cometido nos da probabilidades a posteriori muy
diferentes de las probabilidades a priori.

As, por ejemplo, la probabilidad a priori de que S2

haya escrito la pgina es el doble de la probabilidad de
que la haya escrito S1, pero las probabilidades a
posteriori son casi iguales, debido a que S1 comete el
error con mucha mayor frecuencia que S2.
 En muchos casos el nmero de puntos muestrales en
un espacio muestral no es muy grande y as la
enumeracin o cuenta directa de los puntos del
muestreo necesarios para obtener las probabilidades
no es difcil. Sin embargo, surgen problemas cuando
la cuenta directa se convierte en una imposibilidad
prctica En tales casos se emplea el anliss
combinatorio, que podra llamarse una forma
sofisticada de contar.
 Si una cosa puede realizarse en nr maneras diferentes
y despus de esto una segunda cosa puede realizarse
en n2 maneras diferentes, . . . , y finalmente una k-
sima cosa puede realizarse en el orden especificado
en n1 n2 nk maneras diferentes.
 EJEMPLO. Si un hombre tiene 2 camisas y 4 corbatas entonces
tiene 2*4 : 8 maneras de escoger una camisa y luego una
corbata.
Un diagrama, llamado diagrama rbol debido a su
apariencia, se emplea frecuentemente en conexin con el
principio anterior.
Si las camisas se representan
por S1, S2 y las corbatas por
T1, T2, T3, T4 las diferentes
maneras de escoger una
camisa y luego una corbata se
indican en el siguiente
diagrama rbol:
 Supngase que se dan n objetos diferentes y deseamos
ordenar r de estos objetos en una lnea. Puesto que
hay n maneras de escoger el primer objeto, y luego de
hacer esto n - 1 maneras de escoger el segundo objeto,
. . ., y finalmente n - r + 1 formas de escoger el r-simo
objeto, se deduce por el principio fundamental de
cuenta que el nmero de ordenaciones, o
permutaciones diferentes como generalmente se les
llama est dado por:
P = n(n - 1)(n - 2). . . (n - r + 1)
n r
(1)
donde se observa que el producto tiene r factores.
Llamamos a nPr el nmero de permutaciones de n
objetos tomados de r en r.
 Para el caso particular cuando r = n, la ecuacin (1) se
convierte en:
P = n(n - 1)(n - 2). . . 1 = n!
n r
(2)
que se denomina n factorial. Podemos escribir (1) en
trminos de factoriales como:

Si r = n observamos que (1) y (2) se satisfacen slo si

tenemos que 0! = 1 y tomaremos realmente esto como
una definicin de 0!
 El nmero de ordenaciones o permutaciones
diferentes que consisten de 3 letras cada una y que
pueden formarse de las 7 letras A, B, C, D, E, F, G es:
 Supngase un conjunto que consiste de n objetos de los
cuales n1 son de un tipo (es decir no se podran distinguir
entre s), n2 son de un segundo tipo, . . . , n k son del k-
simo tipo. Aqu lgicamente, n = n1 + n2 + + nk. As el
nmero de permutaciones diferentes de los objetos es:

EJEMPLO. El nmero de permutaciones diferentes de las

11 letras de la palabra M I S S I S S I P P I, que consiste de
1M, 4I, 4S y 2P es:
 En una permutacin estamos interesados en el orden
de la distribucin de los objetos. As abc es una
permutacin diferente de bca. Sin embargo, en
muchos problemas estamos interesados solamente en
seleccionar o escoger objetos sin interesar su orden.
Dichas selecciones se llaman combinacin. Por
ejemplo abc y bca son la misma combinacin.
El nmero total de combinaciones de r objetos
seleccionados de n (tambin llamadas las
combinaciones de n cosas tomadas de r en r) se
denota por nCr o . Tenemos:
 (3)

Que tambin puede escribirse:

Se puede demostrar que: nCr = nCn-r

 El nmero de maneras en las cuales 3 cartas pueden
escogerse o seleccionarse de un total de 8 cartas
diferentes es:
 Los nmeros de (3) se les llama frecuentemente los
coeficientes binomiales puesto que provienen de la
expansin binomial

Tiene muchas propiedades interesantes. Por ejemplo:

 Cuando n es muy grande la evaluacin de n! no es
prctica. En tales casos se utiliza la frmula
aproximada:

donde e = 2.71828. . . es la base de los logaritmos

naturales. El smbolo en la ecuacin significa que la
relacin del lado izquierdo al lado derecho se aproxima
a 1 a medida que n.

Por esta razn decimos que el lado derecho es una

expansin asnttica del lado izquierdo.
 Supngase que a cada punto de un espacio muestral
asignamos un nmero. As definimos una funcin en
el espacio muestral. Esta funcin se llama variable
aleatoria (o variable estocstica) o ms precisamente
funcin aleatoria (funcin estocstica).

Comnmente se denota por una letra mayscula

como X Y.

En general una variable aleatoria tiene algn

significado fsico, geomtrico u otro.
 Supngase que se lanza una moneda dos veces de tal
forma que el espacio muestral es M = {CC, CS, SC, SS).
Represntese por X el nmero de caras que pueden
resultar. Con cada punto muestral podemos asociar un
nmero para X como se muestra. As en el caso de CC (es
decir 2 caras) X = 2 en tanto que para SC (1 cara) X = 1. Se
concluye que X es una variable aleatoria.
Punto CC CS SC SS
muestral
X 2 1 1 0

Debe observarse que tambin podran definirse otras muchas variables

aleatorias en este espacio muestra, por ej. El cuadrado del nmero de caras,
el nmero de caras menos el nmero de cruz, etc
 Una variable aleatoria que toma un nmero finito o
infinito contable de valores se denomina variable
aleatoria discreta,

Una variable aleatoria que toma un nmero infinito

no contable de valores se llama variable aleatoria no
discreta continua.
 Sea X una variable aleatoria discreta y supngase que
los valores posibles que puede tomar estn dados por x1
, x2, x3, , ordenados en orden creciente de magnitud.
Supngase tambin que los valores se asumen con
probabilidades dadas por:
P(X = xk) = f(xk) k = 1, 2,
Es conveniente introducir la funcin de probabilidad,
tambin conocida como la distribucin de probabilidad
definida por:
P(X = x) = f(x)
 En general f(x) es una funcin de probabilidad si
cumple con las propiedades siguientes:
1. f(x) 0

2.

Donde la suma en 2 se toma sobre los valores posibles

de x. Una grfica de f(x) se llama grfica de
probabilidad.
A)Hallar la funcin de probabilidad correspondiente a
la variable aleatoria X (nmero de caras) del ejemplo
anterior; B) Construir la grfica de probabilidad.

a) Supongamos que la moneda no est trucada: P(CC)

= , P(CS) = , P(SC) = , P(SS) =
x 0 1 2

Por lo que: f(x) 1/4 1/2 1/4

P(X = 0) = P(SS) =
P(X = 1) = P(CS SC) = P(CS) + P(SC) = + =
P(X = 2) = P(CC) = 1/4
b)La distribucin de probabilidades puede
representarse grficamente dibujando f(x) en funcin
de x, como para las distribuciones de frecuencia
relativas.
Ntese que la suma de las
reas de los rectngulos es 1.
Esta figura se llama histograma
de probabilidad, se considera a
x como una variable continua
aunque sta sea realmente
discreta, un procedimiento que
con frecuencia se considera til,
por ejemplo X = 1 significa que
est entre 0.5 y 1.5.
Este grfico se utiliza
cuando no se desea
considerar la variable
como continua.
 Acumulando las probabilidades obtenemos las
distribuciones de probabilidad acumulativas, que son
similares a las distribuciones acumulativas de
frecuencia relativa. La funcin asociada con esta
distribucin algunas veces se llama una funcin de
distribucin.
 La funcin de distribucin acumulada, o simplemente la
funcin de distribucin, para una variable aleatoria X se
define por:
P(X x) = F(x)
donde x es cualquier nmero real, es decir - < x < .
La funcin de distribucin puede obtenerse de la funcin
de probabilidad notando que:

Donde la suma a la derecha se toma para todos los valores de

u para los cuales u x. Recprocamente la funcin de
probabilidad puede obtenerse de la funcin de distribucin.
 Si X nicamente toma un nmero finito de valores x1,
x2, , xn entonces la funcin de distribucin est dada
por:
0 - < x < x 1
f(x1) x 1 x < x2
f(x1) + f(x2) x 2 x < x3
F(x) = . .
. .
. .
f(x1) +.+ f(xn) xn x <
 Hallar la funcin de distribucin para la variable
aleatoria X del ejemplo anterior. B) Obtener su
representacin grfica
a) La funcin de distribucin es:
0 - < x < 0
1/4 0x<1
F(x) = 3/4 1x<2
1 2x<
b) La representacin grfica de F(x) sera:
 Las magnitudes de los saltos en 0, 1, 2 son , , corresponden
exactamente a las ordenadas en la grfica que representa el
espectro.

Debido a la apariencia de la grfica se le conoce como funcin

escalera o funcin paso. El valor de la funcin en un entero se
obtiene del paso superior, as el valor en 1 es y no . Esto se
expresa matemticamente estableciendo que la funcin de
distribucin es continua por la derecha en 0, 1, 2.

A medida que procedemos de izquierda a derecha (es decir

subiendo la escalera) la funcin de distribucin permanece igual o
aumenta, tomando valores desde 0 hasta 1. Debido a esto se dice
que es una funcin monotnicamente creciente.
 Suponga que una variedad de maz puede producir plantas
con cero, una, dos y tres mazorcas. Se sabe adems que las
probabilidades de que se tengan plantas con esos nmeros
de mazorcas son: 0.1, 0.7, 0.1 y 0.1, respectivamente.
Haciendo una tabla se tiene:
x o 1 2 3
F(x) 0.1 0.7 0.1 0.1 1.0

Con esta funcin de probabilidades: P(X 1) = P(X = 0) +

P(X = 1) = f(0) + f(1) =0.1 + 0.7 = 0.8

En cambio P(X < 1) = P(X = 0) = 0.1.

Es claro que: P(X 1) P(X < 1)

 La dificultad que enfrentamos es que no podemos
construir una tabla con los valores posibles de la
variable, puesto que el nmero de valores que puede
tomar es infinito.

La nica forma para caracterizar la distribucin de

probabilidades es mediante una ecuacin.
 Si X es una variable aleatoria continua, la
probabilidad de que X tome un valor determinado
generalmente es 0. Esto se debe a que estamos
interesados en la probabilidad de un intervalo .

Y por otra parte, como las probabilidades son reas bajo

la curva, slo es posible calcular probabilidades (reas)
correspondientes a un intervalo dado, que por
definicin, el rea de una lnea (que corresponde a
la probabilidad de un punto) es cero.
 Por tanto no podemos definir una funcin de
probabilidad en la misma forma que para una
variable aleatoria discreta.

Para llegar a una distribucin de probabilidad para una

variable aleatoria continua notamos que la probabilidad
de que X se encuentre entre dos valores diferentes tiene
significado. Esto se debe a que debido a la precisin de
los instrumentos de medicin es muy difcil distinguir
la posicin de un valor, por ej. 1.8 es muy difcil
distinguir si se encuentra entre 1.8001 y 1.799.
 Las ideas anteriores pueden extenderse al caso en que la variable X pueda
asumir un conjunto continuo de valores. El polgono de frecuencia relativa de
una muestra se vuelve en el caso terico o lmite de una poblacin, una curva
continua como la mostrada en la figura 1, cuya ecuacin es Y = p(X). El rea
total bajo esta curva limitada por el eje X es igual a uno, y el rea bajo la curva
entre las lneas X = a y X = b (sombreada en la figura) ofrece la probabilidad
que X est entre a y b, que est denotada por Pr{a < X < b}.

Figura 1. Curva continua.

 Para una variable aleatoria continua se tiene P(X = k) = 0,
para cualquier valor k de la variable aleatoria. Como
consecuencia, si X es continua:

P(a < X < b) = P(a X < b) = P(a < X b) = P(a X b)

Mientras que estas probabilidades pueden ser muy

distintas para una variable aleatoria discreta.
 Si se selecciona aleatoriamente un individuo de un
grupo numeroso de hombres adultos, la probabilidad
de que su estatura X sea precisamente 147 centmetros
sera cero. Sin embargo hay una probabilidad mayor
que cero de que X est entre 145 y 150 centmetros, por
ejemplo.
Esta idea y las dos propiedades que definen una
funcin de probabilidad, nos conducen a postular
la existencia de una funcin f(x) tal que:
1. f(x) 0

2. . (El rea total bajo f(x) es 1)

Cont.
 3. donde la segunda propiedad es una proposicin
matemtica del hecho que una variable aleatoria de
valor real debe ciertamente encontrarse entre - y .
Entonces definimos la probabilidad de que X se
encuentre entre a y b como:
(1)

En otras palabras, el rea delimitada por dos lneas verticales levantadas sobre
los puntos a y b (a < b) y la curva es la probabilidad de que X tome un valor entre
a y b.
Una funcin f(x) que satisface los requisitos anteriores se
llama funcin de probabilidad o distribucin de
probabilidad para una variable aleatoria continua, pero
con mayor frecuencia se denomina funcin de densidad de
probabilidad o simplemente funcin de densidad. Cualquier
funcin que satisface las propiedades 1 y 2 anteriores
automticamente es una funcin de densidad y las
probabilidades pedidas pueden obtenerse a partir de (1).
 Las funciones de densidad se presentan en dos
partes:
En la primera se especifican los puntos para los
cuales la funcin tiene valor positivo, y

En la segunda, todos los dems valores para

los cuales la funcin toma el valor cero.
1; 0 x 1
Ej: f(x)
0, de otra forma
a) Hallar la constante c para que la funcin
cx2 0<x<3
f(x) =
0 de otra forma
sea una funcin de densidad.

b) Calcular P(1 < X < 2).

a) Ya que f(x) satisface la propiedad 1 (f(x) 0) si c
0, debe satisfacer la propiedad 2 ( ) para
ser una funcin de densidad. Entonces:

Y puesto que esto debe ser igual a 1 tenemos c = 1/9.

b)
 Por analoga con la funcin de distribucin para
variables aleatorias discretas, definimos la funcin de
distribucin F(x) para una variable aleatoria
continua por:
a) Hallar la funcin de distribucin para la variable
aleatoria del ej. anterior.
b) Emplear el resultado de (a) para hallar P(1 < x 2).

a)Tenemos

Si x < 0 entonces F(x) = 0. Si 0 x < 3 entonces:

Si x 3 entonces:

Po tanto la funcin de distribucin es:

0 x<0
f(x) = x3/27 0 x < 3
1 x3
b) Tenemos:
P(1 < x 2) = P(x 2) P(x 1) = f(2) f(1)
 Definicin: La funcin de distribucin acumulativa de
propiedades de una variable X (aleatoria o discreta) se
denotar por F(x) y se define como: F(x) = P(X x).

Es claro que, en el caso de una variable aleatoria

discreta, el valor de F(x) para un valor dado x de la
variable X se obtendr sumando los valores f(x)
para todos los valores posibles de X menores o
iguales a x, y en el caso de variable continua, se
obtendr integrando f(x) para esos valores.
 Ejemplo: Utilizando la funcin de densidad de
probabilidad, ilustrar el clculo de F(x) para una
variable aleatoria continua.
1; 0 x 1
f(x) =
0, de otra forma
De la grfica siguiente se aprecia que:
Para cualquier valor de x 0, F(x) = 0;

Para cualquier valor 0 < x < 1, F(x) = x, ya que es el rea de

un rectngulo de base x y altura 1;

Para un valor x 1, F(x) = 1. Esto se comprende si

consideramos que X slo tiene probabilidad positiva en el
intervalo (o,1) y por lo tanto, F(x) = P( X x) = 1 para todo
valor x 1. (Similarmente se interpreta F(x) = 0 para todo
x 0, puesto que x no puede tomar valores menores que
cero.
 La funcin de distribucin acumulativa es:
0; x 0
F(x) = x; 0 < x < 1
1; x 1
La funcin de distribucin acumulativa de
probabilidades de una variable aleatoria X tiene las
siguientes propiedades:
a) 0 F(x) 1
b) Si a y b son dos nmeros tales que a < b, entonces
F(a) F(b).
c) Si c1 y c2 (c1 < c2) son los valores ms extremos que
puede tomar la variable aleatoria X, entonces F(x) = 0
para cualquier x < c1 y F(x) = 1 para cualquier x c2.
 Si p es la probabilidad que una persona reciba una suma de dinero S,
la esperanza matemtica, o simplemente la esperanza es pS.

Ejemplo: Si la probabilidad que un hombre gane un premio de $10 es

1/5, su esperanza es 1/5(10) = $2.

El concepto de esperanza es fcilmente extendido. Si X denota una

variable aleatoria discreta que puede asumir los valores X1, X2, , Xk
con las probabilidades respectivas f(x)1, f(x)2, , f(x)k donde f(x)1 + f(x)2
+ f(x)k = 1, la esperanza matemtica de X, o simplemente la esperanza
de X, denotada por E(X), se define como:
 Ejemplo: Sea X una variable aleatoria discreta con la
siguiente funcin de probabilidades:

x -3 -2 -1 0 1
f(x) 0.1 0.2 0.4 0.2 0.1
La esperanza de X sera:
E(X) = (-3)(0.1) + (-2)(0.2) + (-1)(o.4) + (0)(0.2) + (1)(0.1)
E(X) = -1.0
Propiedades de la esperanza matemtica
Sea c1 y c2 dos constantes, y sea X una variable
aleatoria. Entonces:
a)E(c1) = c1
b)E(c1X) = c1E(X)
c) E(X + c1) = E(X) + c1
d) E(c1 + c2X) = c1 + c2E(X)
e) E(X + Y) = E(X) + E(Y)
f) E(XY) = E(X)*E(Y)
 Se define como:

Propiedades de la varianza de una variable aleatoria.

Sea X una variable aleatoria y c una constante.
Entonces:
a) Var(X) 0
b) Var (c) = 0
c) Var (cX) = c2Var (X)
d) Var (X + c) = Var (X)
e) Var (X) = E(X2) (E(X))2
f) Si x e y son variables independientes, Var (X + Y) =
Var(X) + Var (Y) y Var (X - Y) = Var(X) + Var (Y)
 La variable aleatoria X tiene la funcin de
probabilidad siguiente:
x 1 2 3 4
f(x) 0.4 0.3 0.2 0.1

E(X) = 2.0

Var(X) = (1-2)2(0.4) + (2-2)2(0.3) + (3-2)2(0.2) +

(4-2)2(0.1) = 1.0
 Revela una propiedad general de las variables
aleatorias discretas con media y varianza finitas.
Teorema(Desigualdad de Chebyshev): Supngase
que X es una variable aleatoria (discreta o continua)
con media y varianza 2 finitas. Entonces si es
cualquier nmero positivo,

o con = k
 Si k = 2 en la desigualdad de Chevichev vemos que:

Literalmente, la probabilidad de que X difiera de su media en ms de 2

desviaciones tpicas es menor que o igual a 0.25; equivalente, la
probabilidad de que X se encuentre dentro de 2 desviaciones tpicas de su
media es mayor que o igual a 0.75. Esto es bastante extraordinario si se
tiene en cuenta que an no se ha especificado la distribucin de
probabilidad de X.